TECHNIKA AI
Na jejich objevování spolupracují informatici z katedry kybernetiky Fakulty elektrotechnické ČVUT v Praze s vědci z Ústavu molekulární a translační medicíny (ÚMTM) Lékařské fakulty Univerzity Palackého v Olomouci. "Podařilo se nám vyvinout postup, který je s využitím nástrojů umělé inteligence schopen z mikroskopických obrázků vyhodnotit účinek vybraných léčiv na kulturu nádorových buněk. Pravděpodobnost správné klasifikace do jedné ze tří skupin u naší metody překračuje 98 procent, čímž překonáváme předchozí metody," říká prof. Jan Kybic, vedoucí skupiny Algoritmy pro zobrazování z FEL ČVUT. To otevírá cestu k mnohem jednoduššímu vysokokapacitnímu buněčnému screeningu, který přispěje k rychlejšímu vývoji nových protinádorových léčiv.
VYUŽITÍ AI V PRAXI
Umělá inteligence a její praktické aplikace nacházejí v medicíně rozsáhlé využití. Dnes se již rutinně používají v radiologické diagnostice, v histopatologii nebo při endoskopickém vyšetření. "Novou aplikací, kterou jsme rozvinuli ve spolupráci s týmem prof. Kybice na FEL ČVUT v Praze, je využití AI v oblasti vývoje léčiv. Dlouhodobě jsme se domnívali, že z reakce buněk na potenciální léčivo v čase lze odhadnout mechanismus jeho účinku, který je ovšem lidským okem a mozkem nevyhodnotitelný," vysvětluje doc. MUDr. Marián Hajdúch, Ph. D., ředitel Ústavu molekulární a translační medicíny (ÚMTM) Lékařské fakulty Univerzity Palackého a lékařský ředitel Národního ústavu pro výzkum rakoviny (NÚVR).
MIKROSKOPICKÉ SNÍMKY
Dva výzkumné týmy a unikátní výzkumné infrastruktury CZ-OPENSCREEN a EATRIS-CZ proto vzájemně spojily síly k analýze obrazu buněk, vystavených působení léčiv pomocí nástrojů umělé inteligence. "Výsledky předčily naše očekávání, podařilo se nám rozlišit účinek i chemicky a mechanisticky velmi příbuzných látek. V tomto projektu a úspěšné spolupráci s ČVUT budeme s potěšením pokračovat i v budoucnosti a rádi rozšíříme naši spolupráci i o další týmy, zabývající se AI," dodává doc. Marián Hajdúch. Informatici z FEL ČVUT při analýze obrazů buněk využívají snímky z fázové kontrastní mikroskopie, které lze oproti konvenčním fluorescenčním snímkům získat snadněji a rychleji. Navíc snímky z fázové kontrastní mikroskopie nepoškozují buňky, a lze je proto využívat k zobrazování živých buněčných kultur. Fakta o výzkumu shrnuje článek, publikovaný v prosincovém čísle vědeckého časopisu Computers in Biology and Medicine.
SUPERPOČÍTAČ RCI ZRYCHLUJE ANALÝZU SNÍMKŮ I VYŠKOLENÍ NEURONOVÉ SÍTĚ
Vědci při výzkumu využívají rozsáhlé banky chemických látek a přístrojového vybavení UMTM na LF UP, se kterými lze automaticky realizovat velké množství experimentů. Časosběrné snímky, které zachycují reakci buněčných kultur vystavených účinkům léčiv, následně putují k počítačovému zpracování. Na FEL ČVUT je informatici podrobí analýze za pomoci nástrojů umělé inteligence. "Využíváme přitom konvoluční neuronovou síť, která už je vycvičená přímo na vstupních snímcích z fázové kontrastní mikroskopie. Vyhodnocení účinku jedné kontrastní látky pak trvá řádově několik vteřin na obrázek za předpokladu, že je neuronová síť již vytrénovaná, což zabere několik dní," upřesňuje proces vyhodnocování dat prof. Kybic. Při jejich zpracování vědci využívají superpočítač RCI v prostorách ČVUT, jehož robustní výpočetní výkon práci významně urychlu Nejnáročnější je ovšem síť naprogramovat a navrhnout vhodné algoritmy, což je výsledek mnohaměsíční práce, na které se podíleli zejména Denis Baručič a Sumit Kaushik, doktorand a postdoktorand z týmu prof. Kybice.
VÝZKUM SE ROZŠÍŘÍ Z JEDNOTEK NA STOVKY CHEMICKÝCH LÁTEK
Prof. Jan Kybic upozorňuje, že vysoce výkonný buněčný screening za standardizovaných podmínek je pouze jedním z mnoha kroků v procesu objevování léčiv. Vědcům ze skupiny Algoritmy pro biomedicínské zobrazování na FEL ČVUT a Ústavu molekulární a translační medicíny (ÚMTM) Lékařské fakulty Univerzity Palackého v Olomouci se zatím podařilo tímto způsobem analyzovat účinek pouze několika chemických látek, v dalších fázích výzkumu bude potřeba velikost souboru rozšířit na řádově stovky. Vědci budou rovněž zohledňovat různé mechanismy účinku a případně více typů buněčných linií a další faktory.