Tieteelliset ja teknologiset uutiset

Erilöidä syöpäsolut tekoälyn avulla 🩺

Biomekaanisten mittausten tekeminen soluista automatisoidun atomivoimamikroskoopin avulla ja tulosten analysointi koneoppimisvälineillä on mahdollistanut LAAS-CNRS:n ja Restore-laboratorioiden monitieteellisen tiimin luokitella satoja soluja korkealla onnistumisprosentilla. Nämä tulokset on julkaistu ACS Applied Materials and Interfaces -lehdessä.


Terveillä soluilla on erilaiset mekaaniset ominaisuudet verrattuna patologisiin soluihin. Atomivoimamikroskoopilla (AFM) tehdyt biomekaaniset mittaukset ovat erityisesti osoittaneet, että syöpäsolut voidaan erottaa normaalista solusta. Näiden mittausten tuloksia voitaisiin siten käyttää diagnostiikassa, edellyttäen että AFM-teknologia pystyy toimimaan suurella läpimenoaikalla.

Tämän haasteen voittamiseksi LAAS-CNRS:n tiimi yhteistyössä Restore-laboratorion mekanobiologian keskuksen (CNRS/Ranskan veripalvelu/Inserm/Toulouse Paul Sabatier -yliopisto) kanssa on suunnitellut automatisoidun AFM-pohjaisen biomekaanisten mittausten laitteiston, joka suorittaa suuren määrän mittauksia rajoitetussa ajassa.

Ensimmäinen vaihe on solujen kiinnittäminen mikrostrukturoidulle sirulle. Biomekaaniset mittaukset suoritetaan automaattisesti ohjelmiston avulla, joka siirtää AFM:ää solusta toiseen. Mittausten standardoimiseksi on optimoitu ja määritelty parametreja, kuten solujen jakautuminen sirulla, AFM:n anturin geometria ja liikkumisnopeus. Tämän laitteiston avulla LAAS:n tiimi pystyi mittaamaan lähes tuhat solua kahdessa tunnissa, kun taas tavallisella AFM:llä koko päivän kestäisi mitata vain muutamia kymmeniä soluja.

Jokaiselta solulta AFM tallentaa 16 voima-alaa (voiman vaihtelut AFM:n anturin ja solun seinämän välisen etäisyyden funktiona), mikä mahdollistaa seitsemän mekaanisen ominaisuuden mittaamisen ja laskemisen, jotka ovat merkityksellisiä terveiden tai syöpäsolujen luokittelussa. Näin kerätty suuri tietomäärä (yli 100 000 ominaisuutta) mahdollistaa koneoppimistekniikoiden käytön terveiden ja syöpäsolujen erottamiseksi.


LAAS:ssa kehitetyn epätarkan logiikka-algoritmin pohjalta toimivan tekoälytyökalun avulla koneoppiminen ja järjestelmän testaus on suoritettu ei-pahanlaatuisten ja pahanlaatuisten eturauhassolulinjojen sekä ei-pahanlaatuisten ja pahanlaatuisten ihofibroblastisolulinjojen kanssa.

Testit ovat osoittaneet laitteen kyvyn luokitella oikein 73 % soluista. Luokittelukynnyksistä riippuen järjestelmä tuottaa enemmän tai vähemmän vääriä positiivisia (terve solu luokitellaan patologiseksi) tai vääriä negatiivisia (syöpäsolu luokitellaan terveeksi). Tästä syystä tutkijat korostavat, että säätö on tehtävä yhdessä kliinikoiden kanssa, riippuen tavoitellusta sovelluksesta (diagnostiikka, kemoterapian seuranta...).

LAAS:n tiimi jatkaa järjestelmän kehittämistä testaamalla muita koneoppimisalgoritmeja parantaakseen tarkkojen luokitusten osuutta. Toinen projekti keskittyy haiman syöpäsolujen erottamiseen. Lisäksi uusi sovellus on tutkimuksessa: mesenkymaalisia kantasoluja koskeva laadunvalvonta kudosten regenerointia varten yhteistyössä Restore:n kanssa.