Eine wichtige Eigenschaft vieler biologischer Prozesse ist die zelluläre phänotypische Heterogenität. Eine neue Deep-Learning-Methode namens AINU (künstliche Intelligenz des Zellkerns) kann nun spezifische nukleare Signaturen mit nanoskaliger Auflösung identifizieren. Mit nur einer begrenzten Anzahl von Bildern als Trainingsdaten konnte AINU menschliche somatische Zellen und menschliche induzierte pluripotente Stammzellen (hiPSCs) korrekt identifizieren. Das Tool kann auch zwischen Krebszellen und normalen Zellen unterscheiden und sogar sehr früh infizierte Zellen mit dem Herpes-simplex-Virus Typ 1 (HSV-1) erkennen.
Die Forschungsergebnisse sind in der Zeitschrift Nature Machine Intelligence in einem Artikel mit dem Titel “Eine Deep-Learning-Methode, die zelluläre Heterogenität anhand von nanoskaligen Kernmerkmalen identifiziert” veröffentlicht. Diese Arbeit ebnet den Weg für verbesserte diagnostische Techniken und neue Überwachungsstrategien für Krankheiten. AINU ist ein faltendes neuronales Netzwerk, das winzige Strukturen innerhalb von Zellen auf molekularer Ebene durch Scannen hochauflösender Bilder, die mit Stochastischer Optischer Rekonstruktionsmikroskopie (STORM) erhalten wurden, erkennt und analysiert. STORM zeigt Strukturen mit nanoskaliger Auflösung und kann Umstrukturierungen innerhalb von Zellen bis zu einer Größe von 20 nm erkennen.
Die nanoskalige Auflösung der Bilder ermöglichte es der KI, Veränderungen im Zellkern zu erkennen, sobald eine Stunde nach der Infektion mit dem Herpes-simplex-Virus Typ 1 vergangen war. Das Modell konnte das Vorhandensein des Virus durch leichte Unterschiede in der Chromatinstruktur erkennen, die sich bei viraler Infektion verändern. Ein Hindernis für die Einführung dieses Ansatzes in die klinische Praxis ist, dass die STORM-Bildgebung in der Regel nur wenige Zellen gleichzeitig analysiert. Für diagnostische Zwecke müssten Ärzte viele mehr Zellen auf einem einzelnen Bild einfangen können, um eine Krankheit zu erkennen oder zu überwachen.