Het deskundige oog van AI identificeert infecties europahoy.new

Wat Guckelsberger en zijn collega’s in dat jaar ontwikkelden, is een manier om automatisch digitale microscopiebeelden van interacties tussen antilichamen en virale antigenen in in het laboratorium gekweekte cellen te classificeren. Kortom, een computer leert detecteren of de patiënt antistoffen heeft tegen het coronavirus.

Naast een diagnose biedt de methode onderzoekers ook informatie over welke kenmerken in cellen wijzen op een positief resultaat, welk type antilichaamreacties aanwezig zijn, en kunnen ze voorspellingen doen over de waarschijnlijkheid van een COVID-19-antilichaam-positief monster. De afbeelding.

Dezelfde voorbeeldafbeeldingen die door een computer waren geclassificeerd, werden ook aan deskundige virologen getoond, die ze als positief of negatief beoordeelden op antilichamen tegen het coronavirus. “Onze aanpak kan het classificatieniveau van menselijke experts evenaren”, zegt Guckelsberger, “en het is veel sneller. Bovendien kan het ons vertellen wanneer er dubbelzinnige resultaten zijn die een expert nader moet onderzoeken.”

De resultaten van het project, onlangs gepubliceerd in Mobiele rapportagemethodenZe laten ook zien dat de methode vergelijkbaar is, en in sommige opzichten superieur, aan veelgebruikte tests zoals ELISA.

“We gebruikten cellen in plaats van gezuiverde virale eiwitten als basis voor onze test, die dichter bij de echte fysiologie ligt”, zegt de senior auteur. Vilja Pietiäinen van het Finse Instituut voor Moleculaire Geneeskunde (FIMM) aan de Universiteit van Helsinki.

“Omdat alles volledig geautomatiseerd is, hebben we een hoge doorvoersnelheid, maar krijgen we ook digitale beelden die aan een viroloog of patholoog kunnen worden getoond, zonder dat zij naar de microscoop hoeven. De resultaten kunnen zelfs op een mobiel apparaat worden gecontroleerd. En we kunnen het aantal geïnfecteerde cellen tellen, zodat we zowel kwantitatieve data als beelden hebben.”

Tijdens de begindagen van de pandemie kon het onderzoeksteam zich snel vormen dankzij eerdere lokale en internationale samenwerkingen op het gebied van virologie, beeldvorming en medicijnresponsstudies, legt Pietiäinen uit.

“Destijds hadden we een high-throughput test nodig voor het testen van antilichamen die zou aangeven of iemand een SARS-CoV-2-infectie had. Sindsdien zijn er veel verbeteringen geweest in de diagnose, detectie en antilichaamrespons van SARS-CoV-2”, zoals de algemeen bekende polymerasekettingreactie (PCR)-test of antigeentest (zoals het neusuitstrijkje) die rechtstreeks de aanwezigheid van het virus in het lichaam.

De door Pietiäinen, Guckelsberger en hun collega’s ontwikkelde test meet daarentegen antilichamen, die ons vertellen hoe het immuunsysteem het virus herkent en er verschillende soorten antilichamen tegen aanmaakt.

Op machine learning gebaseerde analyse, geautomatiseerde workflow. Afbeelding tegoed: Minttu Polso/Aalto Universiteit

“Als je maar een paar monsters hebt, er heel weinig bekend is over een ziekte, of als je geen toegang hebt tot een laboratorium op het gebied van bioveiligheid op hoog niveau, kan ons portfolio echt waardevol zijn”, zegt Guckelsberger, eraan toevoegend dat het overal kan worden gebruikt. ongeacht uw locatie. apparatuur voor monstervoorbereiding of type microscoop. In feite is de slang veelzijdig inzetbaar voor het testen met welke ziektekiem dan ook.

“We hebben de test ontworpen voor gebruik bij elke opkomende ziekteverwekker, waardoor we beter voorbereid zijn op toekomstige pandemieën”, zegt Pietiäinen. “Voor elk nieuw virus moeten bepaalde componenten worden geoptimaliseerd, maar het mooie van de test is dat deze voor verschillende doeleinden kan worden gebruikt. “Het wordt al gebruikt om zoönotische virussen zoals het Puumala-virus te bestuderen.”

Andere geautomatiseerde celgebaseerde testen, gevolgd door AI-geleide beeldanalysemethoden, worden in de onderzoeksgroep gebruikt om de reacties op medicijnen tegen SARS-CoV-2 te bestuderen, en om medicijnen te identificeren die kankercellen kunnen doden die afkomstig zijn van de patiënt. . ex-leven.

Naast het publiceren van hun werk en het bijdragen aan een beter begrip van de pandemie, delen Guckelsberger en Pietiäinen een gemeenschappelijk idee dat dit project hen heeft geleerd.

“Als er grote vragen in de wereld rijzen, kunnen wij als wetenschappers niet alleen in silo’s werken. Het is noodzakelijk dat experts uit verschillende vakgebieden, verschillende universiteiten en landen samenkomen met een gemeenschappelijk doel; in ons geval datawetenschappers, artsen, computerwetenschappers en biochemici”, zegt Pietiäinen.

“Het was fascinerend om in een groot team te werken, iets wat we in de IT niet vaak doen”, herhaalt Guckelsberger.

“Een grote uitdaging was het communiceren vanuit verschillende expertiseperspectieven, bijvoorbeeld begrijpen wat er aan beide kanten van het proces gebeurt, van natte laboratoriumprocedures tot parameters, gegevens en beelden. Tegelijkertijd was het een fantastische leerervaring en ik kijk uit naar meer in de toekomst.”

Hoewel ze voor elk onderdeel van de pijplijn gebruik maakten van beproefd machinaal leren, was volgens Guckelsberger het tot stand brengen van de verbinding tussen biologen en computerwetenschappers een van de echte doorbraken. Het gebruik van technologie om biologische vragen op te lossen was ook een geweldige leerervaring voor Pietiäinen.

“Het combineren van microscopie met machinaal leren, niet alleen voor SARS-CoV-2, maar ook om gepersonaliseerde reacties op medicijnen te zien of de cellulaire fenotypes van zeldzame genetische ziekten te zien, is krachtig. Een beeld zegt meer dan duizend woorden, en dat is ook hier het geval.”

Fontein: Universiteit van Aalto