Το AI επιταχύνει τη διαδικασία της θεραπείας με βλαστοκύτταρα

Η θεραπεία με βλαστοκύτταρα έχει εκραγεί σε δημοτικότητα τα τελευταία χρόνια, δεδομένης της απίστευτης ικανότητάς της να δρα ως αναγεννητικό φάρμακο. Ωστόσο, οι ερευνητές και οι κλινικοί γιατροί έπρεπε παραδοσιακά να αξιολογούν την ποιότητα των βλαστοκυττάρων παρατηρώντας κάθε μεμονωμένο κύτταρο κάτω από ένα μικροσκόπιο, κάτι που αποτελεί σημαντικό περιορισμό στις πιθανές εξελίξεις.

Ερευνητές από την Ιαπωνία βρήκαν τώρα έναν τρόπο να επιταχύνουν την όλη διαδικασία χρησιμοποιώντας τεχνητή νοημοσύνη (AI). Η μελέτη δημοσιεύθηκε τον Φεβρουάριο στο Βλαστοκύτταρα.

Στη μελέτη, ερευνητές από το Ιατρικό και Οδοντιατρικό Πανεπιστήμιο του Τόκιο (TMDU) ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που ονομάζεται DeepACT, το οποίο μπορεί να εντοπίσει υγιή, παραγωγικά βλαστοκύτταρα δέρματος. Μπορεί να το κάνει αυτό με το ίδιο επίπεδο ακρίβειας με έναν άνθρωπο.

Δυνατότητες βλαστοκυττάρων 

Επειδή τα βλαστοκύτταρα είναι ικανά να αναπτυχθούν σε διάφορους διαφορετικούς τύπους ώριμων κυττάρων, μπορούν να βοηθήσουν στην ανάπτυξη νέων ιστών όταν ένα άτομο υποφέρει από τραυματισμό ή ασθένεια. Για παράδειγμα, τα βλαστοκύτταρα κερατινοκυττάρων (δέρματος) μπορούν να χρησιμοποιηθούν για τη θεραπεία κληρονομικών δερματικών παθήσεων και μπορούν να επιτρέψουν την ανάπτυξη ολόκληρων φύλλων δέρματος για την αποκατάσταση μεγάλων εγκαυμάτων. 

Ο Takuya Hirose είναι ένας από τους κύριους συγγραφείς της μελέτης.

«Τα βλαστοκύτταρα κερατινοκυττάρων είναι ένας από τους λίγους τύπους ενηλίκων βλαστοκυττάρων που αναπτύσσονται καλά στο εργαστήριο. Τα πιο υγιή κερατινοκύτταρα κινούνται πιο γρήγορα από τα λιγότερο υγιή κύτταρα, επομένως μπορούν να αναγνωριστούν από το μάτι χρησιμοποιώντας ένα μικροσκόπιο», λέει ο Takuya Hirose. «Ωστόσο, αυτή η μέθοδος είναι χρονοβόρα, έντασης εργασίας και επιρρεπής σε σφάλματα».

Προκειμένου να παρακάμψουν αυτή τη χρονοβόρα μέθοδο, οι ερευνητές ξεκίνησαν να αναπτύξουν ένα σύστημα ικανό να εντοπίζει και να παρακολουθεί την κίνηση των βλαστοκυττάρων αυτόματα. 

Ο Jun'ichi Kotoku είναι ο συν-επικεφαλής συγγραφέας της μελέτης.

«Εκπαιδεύσαμε αυτό το σύστημα μέσω μιας διαδικασίας που ονομάζεται «deep learning» χρησιμοποιώντας μια βιβλιοθήκη δειγμάτων εικόνων», λέει ο Kotoku. «Στη συνέχεια το δοκιμάσαμε σε μια νέα ομάδα εικόνων και διαπιστώσαμε ότι τα αποτελέσματα ήταν πολύ ακριβή σε σύγκριση με τη χειροκίνητη ανάλυση».

Ευρετήριο κίνησης

Όχι μόνο μπορεί το σύστημα DeepACT να ανιχνεύσει μεμονωμένα βλαστοκύτταρα, αλλά μπορεί επίσης να υπολογίσει τον «δείκτη κίνησης» κάθε αποικίας. Αυτός ο δείκτης κίνησης είναι αυτός που δείχνει πόσο γρήγορα κινούνται τα κύτταρα στην κεντρική περιοχή της αποικίας σε σύγκριση με εκείνα που βρίσκονται στην οριακή περιοχή.

Η μελέτη διαπίστωσε ότι οι αποικίες με τον υψηλότερο δείκτη κίνησης είχαν πολύ περισσότερες πιθανότητες από τις αντίστοιχές τους να αναπτυχθούν καλά. Αυτό σημαίνει ότι οι αποικίες με τον υψηλότερο δείκτη κίνησης είναι καλύτερες για τη δημιουργία φύλλων νέου δέρματος που μπορούν να μεταμοσχευθούν σε ασθενείς με εγκαύματα.

Ο Daisuke Nanba είναι ο ανώτερος συγγραφέας της μελέτης.

«Το DeepACT είναι ένας ισχυρός νέος τρόπος για την εκτέλεση ακριβούς ποιοτικού ελέγχου των ανθρώπινων κερατινοκυττάρων βλαστοκυττάρων και θα κάνει αυτή τη διαδικασία τόσο πιο αξιόπιστη όσο και πιο αποτελεσματική», λέει ο Nanba. 

Οι μεταμοσχεύσεις δέρματος κινδυνεύουν να αποτύχουν εάν περιέχουν πάρα πολλά ανθυγιεινά ή μη παραγωγικά βλαστοκύτταρα, επομένως είναι εξαιρετικά χρήσιμο εάν οι επαγγελματίες του ιατρικού τομέα μπορούν να εντοπίσουν τα καταλληλότερα κύτταρα. Αυτό το σύστημα θα μπορούσε επίσης να επιτρέψει τον αυτοματοποιημένο ποιοτικό έλεγχο, ο οποίος θα βοηθούσε στην προώθηση της βιομηχανικής παραγωγής βλαστοκυττάρων και θα διασφάλιζε σταθερό εφοδιασμό κυττάρων και χαμηλότερο κόστος παραγωγής.