EMBL研究人員開發(fā)了一款新的人工智能工具，采用“分子激光槍”方法識別能夠揭示癌癥最早起源的細胞。

人體依賴準確的遺傳指令來保持細胞正常運作。當這些指令被打亂時，癌癥開始形成。隨著遺傳錯誤的積累，細胞可能失去正常的生長極限，開始以不受控制的方式繁殖。染色體異?！旧w上的數(shù)值和結構缺陷——通常是推動健康細胞趨向癌變的最早變化之一。

歐洲分子生物學實驗室(EMBL)科貝爾團隊的研究人員開發(fā)了一種基于人工智能的新工具，為科學家提供了近距離觀察這些染色體異常如何形成的途徑。從這一方法中獲得的見解，最終可能澄清導致癌癥的早期步驟。

EMBL高級科學家揚·科貝爾(Jan Korbel)的最新重要研究剛剛發(fā)表于《自然》雜志——染色體異常是導致特別侵襲性癌癥的主要驅動因素，且與患者死亡、轉移、復發(fā)、化療耐藥性和腫瘤快速發(fā)生高度相關。研究人員想弄清楚是什么決定了細胞發(fā)生這種染色體改變的可能性，以及當一個仍然正常的細胞分裂時，這種異常出現(xiàn)的速度是多少?！?/p>

染色體異常與癌癥之間的聯(lián)系已被長期研究。一百多年前，德國細胞學家、胚胎學家和遺傳學科學家西奧多·博韋里（Theodor Heinrich Boveri）基于顯微鏡觀察提出，細胞中染色體含量不規(guī)則在推動癌癥形成中起著作用。

為什么染色體異常難以研究

然而，長期以來發(fā)現(xiàn)這些異常一直很困難，因為在任何時刻只有極少數(shù)細胞表現(xiàn)出它們，而且許多細胞要么自行死亡，要么被自然選擇移除（或被殺死）。研究人員傳統(tǒng)上必須用顯微鏡手工尋找這些細胞，且一次只能采集少量細胞以便進行更詳細的研究。

科貝爾集團的研究科學家馬可·科森扎在與EMBL其他團隊合作解決類似問題后，找到了解決方案。他和合作者開發(fā)了一套結合自動顯微鏡、單細胞測序和人工智能的新型自主系統(tǒng)，命名為machine learning（MAGIC）。

“激光槍戰(zhàn)”用于精確識別和標記細胞

本質上，MAGIC就像一場全自動激光槍戰(zhàn)游戲。它能發(fā)現(xiàn)具有特定可見特征的“敵人”或細胞。在這項研究中，科學家們聚焦于一種稱為“微細胞核”的細胞結構。微細胞核是細胞內(nèi)微小封閉的隔間，包含細胞DNA的一小部分，這些DNA從基因組的大部分中分離出來。帶有微細胞核的細胞往往會產(chǎn)生新的染色體異常，這使其更可能變成癌癥。

一旦檢測到帶有微細胞核的細胞，系統(tǒng)會用激光“標記”它們。為此，科學家們使用了光轉換染料——一種熒光分子，當照射到它身上時會發(fā)生化學轉變，改變其發(fā)出的光的顏色。

科森扎解釋道：這個項目將我許多興趣融合在一起，它涉及基因組學、顯微成像和機器人自動化。在2020年因COVID-19相關的封鎖期間，他花更多時間學習并應用AI計算機視覺技術來處理他們之前收集的生物圖像數(shù)據(jù)。之后，他們設計了實驗來驗證并進一步應用?！?/p>

實際上，魔法是這樣運作的。首先，自動顯微鏡捕捉細胞樣本的一系列圖像。接下來，一個機器學習算法在手動標注的含微核細胞數(shù)據(jù)集上訓練，掃描圖像。當算法發(fā)現(xiàn)帶有微細胞核的細胞時，會與顯微鏡共享其位置，并指示顯微鏡將光線照射到這些細胞上，永久標記它們。隨后，通過流式細胞術等方法，可以輕松將這些仍活的細胞與這些仍活的細胞分離出來，隨后進行更深入的分析，例如通過觀察其細胞基因組。

擴大之前緩慢的流程

通過自動化此前耗時繁瑣且易出錯的微細胞檢測過程，MAGIC使科學家能夠以前所未有的規(guī)模和速度研究此類細胞?？茖W家們在不到一天的時間內(nèi)，利用這種方法就能分析近10萬個細胞。

團隊利用MAGIC分析了原本源自正常人類細胞的培養(yǎng)細胞中的染色體異常。他們的結果顯示，略多于10%的細胞分裂會導致某種形式的自發(fā)染色體異常，而當某個基因——p53，一種著名的腫瘤抑制因子——突變時，這一比例幾乎翻倍?？茖W家們還研究了染色體異常形成的其他誘因和貢獻因素，如染色體內(nèi)雙鏈DNA斷裂的存在和位置。

該研究涉及EMBL內(nèi)外的合作，關鍵貢獻來自EMBL海德堡的先進光學顯微設施（ALMF）和佩珀科克團隊，EMBL-EBI的伊西德羅·科爾特斯-奇里亞諾團隊，以及德國癌癥研究中心（DKFZ）的安德烈亞斯·庫洛齊克團隊，該中心同時也是EMBL與海德堡大學分子醫(yī)學合作單位（MMPU）的一部分。

魔法是一種高度多變且適應性的技術。雖然科學家們?yōu)楸狙芯坑柧毸园l(fā)現(xiàn)具有微細胞核的細胞，但理論上該算法可以在多種不同數(shù)據(jù)集上訓練，以檢測不同的細胞特征。

找到一個特征可以通過視覺與'普通'細胞區(qū)分，多虧了人工智能——訓練系統(tǒng)去檢測它。因此，研究人員的這個系統(tǒng)有潛力推動生物學多個領域的未來發(fā)現(xiàn)。