Napjainkban az élettudományi kutatások területén egyre nagyobb hangsúly helyeződik a sejtek egyedi tulajdonságainak feltérképezésére. Ennek azért van rendkívül nagy jelentősége, mert a különféle szervek és szövetek építőköveinek egyedi jellemzői fontos információkkal szolgálnak a hibás működések hátterének jobb megismeréséhez, illetve a kórfolyamatok mielőbbi felismeréséhez.
Saját fejlesztésű, mesterséges intelligenciával vezérelt, automatizált mikroszkóprendszerükkel képesek az élő szövetmintán belül bármilyen sejtet megtalálni, az előzetesen definiált jellemzőkkel rendelkező sejteket stimulálni, továbbá a válaszfolyamatok rögzítése révén biológiai információkat gyűjteni. A most kidolgozott módszer új távlatokat nyithat olyan világszerte elterjedt betegségek korai diagnosztikájában, illetve kórfolyamatainak megértésében, mint az Alzheimer-kór vagy a Parkinson-kór, ezzel is támogatva a hatékony terápiák kifejlesztését.
Az ELKH Szegedi Biológiai Kutatóközpont Biológiai képfeldolgozó és gépi tanulási munkacsoportja dr. Horváth Péter bioinformatikus vezetésével, valamint dr. Tamás Gábor neurobiológus professzor, a Szegedi Tudományegyetem Agykérgi Neuronhálózatok Kutatócsoportjának vezetője több éve dolgoznak együtt olyan rendszermikroszkópiai megoldásokon, amelyek új utakat nyitottak az egyedi sejtek vizsgálatában. Legújabb fejlesztésük az Autopatcher névre hallgató, mesterséges intelligencia segítségével működő elektrofiziológiai eljárás, amelyet a nagy presztízsű Nature Communications folyóiratban ismertettek február 10-én.
A módszer több tekintetben is egyedülálló: a sejtvizsgálatok natív (festés vagy egyéb jelölés nélküli) agyszöveti mintákon történnek, gépi látás és mesterséges intelligencia felhasználásával. A mélytanulási algoritmusokra épülő, több ezer kép elemzése alapján kidolgozott szoftver a kamerakép alapján képes a mikroszkópba integrált mikropipetta helyének automatikus meghatározására, valamint a pipetta precíz mozgatására, és ennek révén a célsejtek automatikus felismerésére, illetve a célzott sejtek térbeli elmozdulásának észlelésére. A mesterséges intelligenciával vezérelt rendszer a vizsgálat céljától függően minden egyes célsejtet úgy választ ki, hogy a mérés sikeressége a lehető legnagyobb legyen. Az új technológia hozzájárul többek között új emberi sejttípusok felfedezéséhez vagy az agyi idegsejtek kapcsolatainak részletes megismeréséhez. Tamás Gábor professzor hasonló módszerrel fedezett fel korábban egy új emberi agysejttípust, így a most kifejlesztett új eljárás további nagy jelentőségű felfedezések reményét vetíti előre.
Gépi látás és automatizálás
A gépi tanulásra – vagyis mesterséges intelligenciára, illetve ennek egyik válfajára, az ún. mélytanulásra (deep learning) – épülő algoritmusok a mikroszkóprendszerbe épített kamera képei alapján vezérlik a mikropipettát. Ez az úgynevezett gépi látás az emberi szemnél jóval precízebb, mikrométer pontosságú célzást biztosít. A gépi tanulás fázisa után a rendszer már az ismeretlen agyszöveti mintában is képes felfedezni a meghatározott sejttípusokat.
A rendszer megtervezi a pipetta útvonalát, amelyen haladva a célsejtet megközelíti, az esetleges akadályokat pedig kikerüli.
A kiválasztott sejt membránjához irányított pipettába épített miniatűr elektróda egyenként képes ingerelni a sejteket. A finoman szabályozható stimulációra adott válaszreakció követésével fontos információk nyerhetők az élettani sejtaktivitásról anélkül, hogy a beavatkozás károsítaná a sejtet. Más esetekben a pipettába épített légnyomás-szabályozó rendszer segítségével akár a sejtmag és a citoplazma eltávolítására, ez alapján pedig molekuláris egysejt-analízisre is lehetőség van, ami például génszekvenálással összekapcsolva fontos genetikai információforrás lehet – magyarázza dr. Koós Krisztián, a kutatócsoport által publikált közlemény első szerzője. A kutatómunka és a mikroszkóprendszer fejlesztésének távlati alkalmazási lehetőségei szintén komoly potenciált hordoznak: új alapokra helyezheti például a gyógyszer-kipróbálásokat azáltal, hogy lehetővé teszi a sejtszintű gyógyszerhatások követését az élő szövetmintán. Újabb mikropipetta beépítésével a rendszer lehetőséget teremthet az idegsejtek közötti kapcsolatok újszerű vizsgálatára: a stimulációra adott sejtválasz karakterisztikájának meghatározására, az ingerületterjedés befolyásolásának elemzésére.
Jelölés nélküli, precíz sejtanalízis
A sejtek jelölés nélküli (label-free) vizsgálata a szegedi fejlesztés szintén fontos újítása. A sejttípusok azonosítására széles körben használt festési eljárások (pl. fluoreszcens festés) az élő szövetekben szükségképpen a sejtek pusztulását okozzák, így a sejtműködéssel kapcsolatos vizsgálatokat eleve kizárják. Léteznek ugyan másféle, kevésbé drasztikus sejtjelölési eljárások is (pl. génmódosításon alapuló fluoreszcens sejtjelölési módszerek), ezek alkalmazása azonban számos sejttípus esetében nem megoldható. A natív (festés nélküli) sejtvizsgálat tehát számos olyan hátrányt kiküszöböl, ami eddig gátat szabott az egyes sejtek vizsgálatának.
