Πώς θα άλλαζε η ζωή μας αν μπορούσαμε να αναγνωρίσουμε έγκαιρα τις προθέσεις κάποιου ατόμου που θα εισέβαλε ξαφνικά σε αυτήν;
Θα μας έφερνε τα πάνω κάτω ή απλά θα το προσπερνούσαμε «ανώδυνα»;
Το ίδιο θα αναρωτιούνταν, αν μπορούσαν, και τα κύτταρά μας βλέποντας κάποιον εισβολέα, έναν ιό για παράδειγμα, να έρχεται κατά πάνω τους, να διαπερνά τα τοιχώματά τους και να εισέρχεται στο εσωτερικό τους. Σκεφτείτε να μπορούσαν να αντιδράσουν κατάλληλα, σχεδόν αυθόρμητα, μόνο και μόνο διαβάζοντας τη «γλώσσα του σώματος» του ιού και να καταλάβουν, από τον τρόπο που κινείται τις «προθέσεις» του, δηλαδή, αν τελικά, θα τα μολύνει ή όχι.
Φανταστείτε να μπορούσε να γίνει το ίδιο και με τους αόρατους «κούριερ» των εμβολίων, τα λιποσωμικά νανο-οχήματα. Να καταλάβει δηλαδή, κάποιος που τους στέλνει αν έφτασαν με επιτυχία στα κύτταρα-«στόχους» τους, αν και σε ποιο σημείο απελευθέρωσαν το πολύτιμο φορτίο τους, αλλά και πόσο από αυτό το φορτίο «ξεφόρτωσαν».
«Αυτό θα μας επέτρεπε να δημιουργήσουμε ακόμη καλύτερα φάρμακα που να εισέρχονται γρήγορα στα κύτταρα-στόχους και να απελευθερώνονται επαρκώς από τους φορείς τους ή να μπλοκάρουμε επιλεκτικά τις εισόδους των ιών στα κύτταρα», σχολιάζει ο καθηγητής Νίκος Χατζάκης στο τμήμα χημείας του Πανεπιστημίου της Κοπεγχάγης και διευθυντής του κέντρου NNF for Optimized Oligo Escape and Control of Disease (COE), ο οποίος παραδέχεται πως όλα αυτά ακούγονται ίσως ουτοπικά ή ανήκουν στη σφαίρα της επιστημονικής φαντασίας.
Ωστόσο, δεν είναι ακατόρθωτα. Τουλάχιστον αυτό αποδεικνύει η πρόσφατη μελέτη της ερευνητικής ομάδας του, η οποία μόλις δημοσιεύτηκε στο έγκριτο επιστημονικό περιοδικό Nature methods. Και αυτή δεν είναι η πρώτη φορά που ο καθηγητής Χατζάκης «ταράζει» τα νερά στο πεδίο του.
Στη νέα μελέτη ο Έλληνας επιστήμονας παρουσιάζει το DeepSPT, ένα πλαίσιο βαθιάς μάθησης για την ερμηνεία της κίνησης ή της συμπεριφοράς βιομορίων στον ενδοκυτταρικό χώρο (2D ή 3D) και στον χρόνο, με γρήγορο και αποτελεσματικό τρόπο, με 95% ακρίβεια και μέσα σε δευτερόλεπτα αντί για βδομάδες που θα χρειαζόταν.
Με απλά λόγια παρουσιάζει ένα εργαλείο που «διαβάζει» τη συμπεριφορά βιολογικών μορίων μέσα σε ένα κύτταρο.
«Διαβάζοντας» τη συμπεριφορά των μορίων
Η υποκυτταρική κίνηση βιομορίων σε νανοκλίμακα στα ζωντανά συστήματα, και οι κυτταρικές διεργασίες και αλληλεπιδράσεις είναι κάτι που απασχολεί ιδιαίτερα ερευνητικά τον καθηγητή Χατζάκη. Ο ίδιος, με τη χρήση της τεχνητής νοημοσύνης έχει καταφέρει μέχρι τώρα να χαρτογραφεί και να παρακολουθεί αυτόματα τα σημαντικά χαρακτηριστικά συσσωρευμένων δομικών στοιχείων (βιομορίων) που προκαλούν νευροεκφυλιστικές διαταραχές ή καρκίνο και να δίνει απαντήσεις μέσα σε λίγα λεπτά, κάτι που μέχρι τώρα ήταν αδύνατο. Μπορεί επίσης να καταγράφει εγγενείς δομικές παραλλαγές και μορφολογική ποικιλομορφία σε διαφορετικούς τύπους δομών ή ακόμα και στον ίδιο τύπο δομών μέσα στο κύτταρο.
Και τώρα δοκιμάζει κάτι ακόμη.
«Από το τι ρούχα ή κοσμήματα φοράει ένα άτομο ή από το αυτοκίνητο που οδηγεί υποθέτουμε ότι είναι ευκατάστατο. Μετά βλέπουμε ένα άλλο άτομο και υποθέτουμε ότι επίσης μπορεί να είναι ευκατάστατο, βάσει άλλων στοιχείων όπως για παράδειγμα είναι το χτένισμα, τα αξεσουάρ που φορά ή ακόμη και τον τρόπο που στέκεται ή περπατάει. Τι κάνει λοιπόν ο εγκέφαλός μας; Εντοπίζει κάποια χαρακτηριστικά και τα χρησιμοποιεί για να αξιολογήσει», περιγράφει ο καθηγητής, επιχειρώντας τώρα να κάνει μια αναγωγή αυτής της αξιολόγησης σε επίπεδο νανο- μέσα σε μοριακό και κυτταρικό περιβάλλον.
Όπως εξηγεί ο ίδιος, η κίνηση των βιομορίων μέσα στα κύτταρα παρουσιάζει τόσο χωρική όσο και χρονική ετερογένεια και ποικίλλει ανάλογα με τα βιολογικά συστήματα και τις λειτουργίες τους. Η δε, εξαγωγή ποσοτικών πληροφοριών από την απεικόνιση ζωντανών κυττάρων είναι επί του παρόντος ανέφικτη.
Ο διακεκριμένος επιστήμονας με την ομάδα του εστίασαν σε νανοσωματίδια (ιούς, εμβόλια ή πρωτεΐνες) με διαστάσεις νανομέτρων, τα οποία κινούνται σε χρονική κλίμακα ενός χιλιοστού του δευτερολέπτου (ms). Να θυμίσουμε ότι το πρόθεμα νανο- αντιστοιχεί σε διάσταση ενός δισεκατομμυριοστού του μέτρου, δηλαδή σε χιλιάδες φορές μικρότερη από το πλάτος της ανθρώπινης τρίχας, άρα μιλάμε για ουσιαστικά αόρατα με γυμνό μάτι συστήματα.
Ο καθηγητής, για να παρατηρήσει τα νανοσωματίδια, καθώς κινούνται μέσα στο κύτταρο, χρησιμοποίησε προηγμένη μικροσκοπία και για να εξαγάγει τις επιθυμητές πληροφορίες επιστράτευσε τη μηχανική μάθηση. «Χρησιμοποιήσαμε μικροσκοπία lattice light sheet που μας επέτρεψε να δούμε ζωντανά το πώς αλληλεπιδρούσε το κάθε νανοσωματίδιο με τα ζωντανά κύτταρα, τη διαδρομή εισόδου του και την απελευθέρωση γενετικού υλικού. Δηλαδή, αυτό που αποτελούσε μέχρι τώρα αντικείμενο επιστημονικής φαντασίας, το είδαμε ζωντανά να εκτυλίσσεται σε πραγματικό χρόνο», λέει.
Ο Δρ Χατζάκης και η ομάδα του, για να αναλύσουν τον τεράστιο όγκο δεδομένων που παράγονται από την ταυτόχρονη παρακολούθηση χιλιάδων νανοσωματιδίων, ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης, το οποίο ονόμασαν DeepSPT. Το μοντέλο αυτό αποτελείται από 3 διασυνδεδεμένες μονάδες οι οποίες λειτουργούν ανεξάρτητα. Και αυτό, από μόνο του, είναι επίσης πρωτοποριακό!
«H πρώτη μονάδα, που βασίζεται στην αναγνώριση εικόνων αναλύει τα δεδομένα και τα κατηγοριοποιεί ανάλογα με τη συμπεριφορά των μορίων και η δεύτερη μονάδα αξιοποιεί το ‘δαχτυλικό αποτύπωμα’ της κίνησής τους και εξάγει όλες τις μετρήσεις που καθορίζουν τις συμπεριφορές τους. Αυτό μας επέτρεψε να δημιουργήσουμε έναν χώρο 50 διαστάσεων με όλα αυτά τα μικρά χαρακτηριστικά της συμπεριφοράς καθώς και τη χρονική σήμανση του πότε παρατηρήθηκαν. Η τελευταία μονάδα που είναι ήδη εκπαιδευμένη σε αντίστοιχα πειραματικά δεδομένα, αξιοποιεί και ταξινομεί τα δεδομένα των δύο προηγούμενων μοντέλων, προσδιορίζοντας γρήγορα και με ακρίβεια την ταυτότητα του σωματιδίου. Η όλη διαδικασία ανάλυσης διαρκεί πλέον λίγα λεπτά αντί για ολόκληρες εβδομάδες», συμπληρώνει ο καθηγητής.
Με απλά λόγια δηλαδή, το μοντέλο αναγνωρίζει τη βιομοριακή ταυτότητα ενός ξένου προς το κύτταρο μορίου, προσδιορίζει το σημείο όπου εντοπίζεται, αλλά και το χρονικό σημείο ενός βιολογικού γεγονότος στο οποίο εμπλέκεται. Το DeepSPT μπορεί να εκπαιδευτεί ώστε να αναγνωρίζει την ταυτότητα ενός σωματιδίου μόνο από την κίνηση ή απλά να προβλέπει όλα τα χαρακτηριστικά μιας κίνησης.
Η ευέλικτη εργαλειοθήκη DeepSPT, που απαιτεί ελάχιστη ανθρώπινη παρέμβαση είναι διαθέσιμη ως ανοιχτός κώδικας στο GitHub. Το εργαλείο είναι ελεύθερα διαθέσιμο στην επιστημονική κοινότητα, επιτρέποντας στους μελλοντικούς χρήστες να εκτελούν προσαρμοσμένες αναλύσεις ανάλογα με τις ατομικές ερευνητικές τους ανάγκες. Η ομάδα επίσης ανέπτυξε και το σχετικό λογισμικό που επιτρέπει σε οποιονδήποτε ερευνητή ή ερευνήτρια να χρησιμοποιήσει την τεχνολογία, ακόμη και αν δεν έχει επαρκή γνώση της τεχνητής νοημοσύνης.
Το εργαλείο τεχνητής νοημοσύνης λειτουργεί…
Ο καθηγητής Χατζάκης μαζί με την ομάδα του υπέδειξαν την εφαρμογή του «εργαλείου» DeepSPT σε πολλαπλά βιολογικά συστήματα, όπως στον χωροχρονικό εντοπισμό της ανθρώπινης ινσουλίνης μέσα σε κύτταρα ή στη συμπεριφορά ροταϊού κατά τη μόλυνση του κυττάρου. Μάλιστα, σε αντίθεση με τις παραδοσιακές μεθόδους, οι οποίες συχνά απαιτούν χειροκίνητη ανάλυση που διαρκεί αρκετά λεπτά έως ώρες ανά τροχιά, το DeepSPT αυτοματοποίησε τη διαδικασία αναγνώρισης του ιού, μειώνοντας το χρόνο σε χιλιοστά του δευτερολέπτου.
Επίσης, το DeepSPT μπορεί να προσδιορίσει την ενδοσωμική ταυτότητα (σε πρώιμα και όψιμα ενδοσώματα) με βάση αποκλειστικά τα χαρακτηριστικά της κίνησής τους ή την κίνηση του φορτίου τους (οι ιοί εισέρχονται στα κύτταρα με τη μεσολάβηση υποδοχέα ενδοκυττάρωσης και σχηματίζουν μια κύστη γνωστή ως ενδόσωμα), το εργαλείο αναγνωρίζει ακόμη και τις τοποθεσίες όπου βρίσκονται «μεταμφιεσμένα» κυστίδια με την πρωτεΐνη κλαθρίνη μόνο και μόνο από την κίνησή τους.
Ο Έλληνας επιστήμονας εκτιμά πως η ευρεία εφαρμογή του DeepSPT σε όλα τα ερευνητικά εργαστήρια θα μπορούσε να διευκολύνει τη δημιουργία περιεκτικών βιβλιοθηκών με λεπτομερή χαρακτηριστικά των κυτταρικών κινήσεων, για υποκυτταρικές δομές και για βιομόρια. Μια βιβλιοθήκη ανοιχτού κώδικα αυτού του είδους (για την κίνηση) θα προσφέρει ένα νέο εργαλείο στην επιστημονική κοινότητα, βοηθώντας στην εξερεύνηση της 4D κυτταρικής βιολογίας μέσω της χρονικής συμπεριφοράς διάχυσης.
«Το γεγονός ότι το μοντέλο μας παρέχει ακριβείς πληροφορίες για την ταυτότητα οποιουδήποτε βιολογικού συστήματος, μας επιτρέπει να προτείνουμε ένα καινούργιο βιολογικό πρότυπο, πέρα από το καθιερωμένο η δομή καθορίζει τη δράση. Το μοντέλο που εμείς προτείνουμε είναι η κίνηση καθορίζει τη δραστικότητα», καταλήγει ο ίδιος, ο οποίος σε επόμενο στάδιο θα επιχειρήσει, παρατηρώντας διαδρομές, να μπλοκάρει επιλεκτικά τις εισόδους των ιών μέσα στα κύτταρα, αλλά και να ενισχύσει τη δραστικότητα φαρμάκων αυξάνοντας την ποσότητα εισόδου και απελευθέρωσής τους στα κύτταρα.
