Нейросеть построила путь развития болезни на клеточном уровне

Учёные создали алгоритм, который способен распознавать биологические процессы в клетках, а также классифицировать сами клетки. В новой работе исследователи применили глубокое обучение для реконструкции процесса заболевания на клеточном уровне и получили точность в 98 процентов, что примерно на 6 процентов выше ранее созданных для этих целей алгоритмов. Статью о своём исследовании с подробным описанием работы свёрточной нейросети учёные опубликовали в журнале Nature Communications.

Реконструкция прогрессирования диабетической ретинопатии

Внедрение компьютерных технологий в анализ биологических данных имеет большие преимущества, так как способно улучшить диагностику заболеваний и помочь в поиске оптимального лечения. Методы компьютерного анализа построены на обработке большого количества информации. Так, для обработки некоторых процессов в клетке или стадий заболевания нейросеть должна научиться их узнавать, анализировать и отличать одни от других. В своём исследовании группа учёных использовала методы глубокого обучения, которые не требуют сложной и многоэтапной подготовки, что позволяет использовать их для визуализации клеточных процессов.

Алгоритм, предложенный учёными, базируется на свёрточной нейросети. Он получает изображения, которые созданы с помощью микроскопа, выдаёт визуализацию процесса клеточного цикла и идентифицирует каждую клетку. Отличительная черта работы нейросети – отсутствие необходимости размещения большого количества данных: алгоритм обходится небольшой информацией, по которой в дальнейшем учится делать разметки самостоятельно.

Схема «диагностической» цепочки со свёрточной нейросетью

Учёные провели анализ 32 тысяч Т-лимфоцитов и визуализировали большую часть клеточного цикла клетки: периоды роста клетки – три этапа интерфазы, и два этапа периода деления — профазы, анафазы. Заключительные этапы деления – метафазу и телофазу – визуализировать не удалось из-за недостаточной «осведомлённости» алгоритма. Оценка эффективности нейросети показала, что алгоритм справился с поставленной задачей, то есть правильно идентифицировал процессы и сами клетки, в 98,7 процентах случаев. Ранее разработанные нейроалгоритмы-аналоги показывали правильность распознавания в 92,3 процентах случаев.

Также авторы статьи протестировали созданный алгоритм на примере диабетической ретинопатии – поражения сетчатки глаза, которое возникает вследствие сахарного диабета – для того, чтобы реконструировать прогресс болезни. Они предложили нейросети исследовать 30 тысяч изображений сетчатки здоровых людей и людей с диабетом разной формы – лёгкого, среднего и тяжёлого. На основании полученных данных нейронный алгоритм построил проекцию процесса течения заболевания.

Учёные отмечают ещё одно преимущество их разработки – высокую скорость. Так, новая нейросеть может обрабатывать около 1000 клеток в секунду.

Такие результаты работы исследователей дают основания полагать, что компьютерные технологии, основанные на методах глубокого обучения, теперь смогут не только распознавать и визуализировать биологические процессы, но и предсказывать возможный исход болезни на клеточном уровне.

Текст: Екатерина Заикина

Reconstructing cell cycle and disease progression using deep learning by Philipp Eulenberg, Niklas Köhler, Thomas Blasi, Andrew Filby, Anne E. Carpenter, Paul Rees, Fabian J. Theis & F. Alexander Wolf in Nature Communications. Published online September 2017

doi:10.1038/s41467-017-00623-3

Учёные создали алгоритм, который способен распознавать биологические процессы в клетках, а также классифицировать сами клетки. В новой работе исследователи применили глубокое обучение для реконструкции процесса заболевания на клеточном уровне и получили точность в 98 процентов, что примерно на 6 процентов выше ранее созданных для этих целей алгоритмов. Статью о своём исследовании с подробным описанием работы свёрточной нейросети учёные опубликовали в журнале Nature Communications.

Реконструкция прогрессирования диабетической ретинопатии

Внедрение компьютерных технологий в анализ биологических данных имеет большие преимущества, так как способно улучшить диагностику заболеваний и помочь в поиске оптимального лечения. Методы компьютерного анализа построены на обработке большого количества информации. Так, для обработки некоторых процессов в клетке или стадий заболевания нейросеть должна научиться их узнавать, анализировать и отличать одни от других. В своём исследовании группа учёных использовала методы глубокого обучения, которые не требуют сложной и многоэтапной подготовки, что позволяет использовать их для визуализации клеточных процессов.

Алгоритм, предложенный учёными, базируется на свёрточной нейросети. Он получает изображения, которые созданы с помощью микроскопа, выдаёт визуализацию процесса клеточного цикла и идентифицирует каждую клетку. Отличительная черта работы нейросети – отсутствие необходимости размещения большого количества данных: алгоритм обходится небольшой информацией, по которой в дальнейшем учится делать разметки самостоятельно.

Схема «диагностической» цепочки со свёрточной нейросетью

Учёные провели анализ 32 тысяч Т-лимфоцитов и визуализировали большую часть клеточного цикла клетки: периоды роста клетки – три этапа интерфазы, и два этапа периода деления — профазы, анафазы. Заключительные этапы деления – метафазу и телофазу – визуализировать не удалось из-за недостаточной «осведомлённости» алгоритма. Оценка эффективности нейросети показала, что алгоритм справился с поставленной задачей, то есть правильно идентифицировал процессы и сами клетки, в 98,7 процентах случаев. Ранее разработанные нейроалгоритмы-аналоги показывали правильность распознавания в 92,3 процентах случаев.

Также авторы статьи протестировали созданный алгоритм на примере диабетической ретинопатии – поражения сетчатки глаза, которое возникает вследствие сахарного диабета – для того, чтобы реконструировать прогресс болезни. Они предложили нейросети исследовать 30 тысяч изображений сетчатки здоровых людей и людей с диабетом разной формы – лёгкого, среднего и тяжёлого. На основании полученных данных нейронный алгоритм построил проекцию процесса течения заболевания.

Учёные отмечают ещё одно преимущество их разработки – высокую скорость. Так, новая нейросеть может обрабатывать около 1000 клеток в секунду.

Такие результаты работы исследователей дают основания полагать, что компьютерные технологии, основанные на методах глубокого обучения, теперь смогут не только распознавать и визуализировать биологические процессы, но и предсказывать возможный исход болезни на клеточном уровне.

Текст: Екатерина Заикина

Reconstructing cell cycle and disease progression using deep learning by Philipp Eulenberg, Niklas Köhler, Thomas Blasi, Andrew Filby, Anne E. Carpenter, Paul Rees, Fabian J. Theis & F. Alexander Wolf in Nature Communications. Published online September 2017

doi:10.1038/s41467-017-00623-3