AIが細胞生物学における全体像の把握を支援

AIが研究者に細胞生物学の全体像を見る手助けをする Press Inquiries Press Contact: Close ![](/sites/default/files/styles/news_article__image_gallery/public/images/202602/MIT-HolisticCells-01-press_0.jpg?itok=Y3fZor_P) キャプション: 新しいAIフレームワークは、細胞に関するデータのうち、どの部分が1つの測定モダリティによって捕捉され、どの部分が複数のモダリティ間で共有されているかを特定する。これにより、研究者は細胞状態のより完全な全体像を得ることができ、疾患のメカニズムを理解し、治療計画を立てるのに役立つ可能性がある。 クレジット: Credit: iStock Previous image Next image がん患者の細胞における遺伝子発現を研究することは、臨床生物学者ががんの起源を理解し、異なる治療法の成功を予測するのに役立つ。しかし、細胞は複雑で多くの層を含んでいるため、生物学者がどのように測定を行うかは、得られるデータに影響を与える。例えば、細胞内のタンパク質を測定することは、遺伝子発現や細胞形態を測定する場合とは、がんの影響に関する異なる情報をもたらす可能性がある。 細胞内のどの部分から情報が得られるかが重要である。しかし、細胞の状態に関する完全な情報を捕捉するために、科学者はしばしば異なる技術を用いて多くの測定を行い、それらを一つずつ分析しなければならない。機械学習手法はこのプロセスを加速できるが、既存の手法は各測定モダリティからの情報をすべて一緒くたにしてしまうため、どのデータが細胞のどの部分に由来するのかを把握することが難しい。 この問題を克服するために、MITおよびハーバード大学のブロード研究所とETHチューリッヒ/ポール・シェラー研究所（PSI）の研究者らは、細胞の状態に関する情報のうち、どの部分が異なる測定モダリティ間で共有され、どの部分が特定の測定タイプに固有であるかを学習する人工知能駆動のフレームワークを開発した。 どの情報が細胞のどの部分に由来するかを特定することで、このアプローチは細胞状態のより包括的な見方を提供し、生物学者が細胞間相互作用の完全な全体像を見ることを容易にする。これは、科学者が疾患のメカニズムを理解し、がん、アルツハイマー病などの神経変性疾患、糖尿病などの代謝性疾患の進行を追跡するのに役立つ可能性がある。 「細胞を研究する際、1回の測定ではしばしば十分ではないため、科学者は細胞の異なる側面を測定する新しい技術を開発しています。細胞を見る方法はたくさんありますが、結局のところ、根底にある細胞状態は一つだけです。これらの測定モダリティからの情報をより賢い方法でまとめれば、細胞の状態についてより完全な全体像を得ることができるでしょう」と、筆頭著者であるXinyi Zhang SM ’22, PhD ’25は述べている。Zhang氏はMIT電気工学・コンピュータ科学科（EECS）の元大学院生で、MITおよびハーバード大学ブロード研究所のEric and Wendy Schmidt Centerのアフィリエイトであり、現在はオーストリア・ウィーンのAITHYRAのグループリーダーを務めている。 この研究に関する論文の共著者は、ETHチューリッヒの健康科学技術学科教授でPSIのマルチスケールバイオイメージング研究室長を務めるG.V. Shivashankar教授と、MIT EECSおよびデータ・システム・社会研究所（IDSS）の教授、MIT情報意思決定システム研究所（LIDS）のメンバー、ブロード研究所のEric and Wendy Schmidt Center所長である筆頭著者Caroline Uhler教授である。この研究は本日『Nature Computational Science』に掲載された。 複数の測定を操作する 科学者が細胞の状態に関する情報を捕捉するために使用できるツールは数多くある。例えば、細胞が成長しているかどうかを確認するためにRNAを測定したり、細胞が外部の物理的または化学的シグナルに対処しているかどうかを確認するためにクロマチン形態を測定したりできる。 「科学者がマルチモーダル分析を行うとき、彼らは複数の測定モダリティを使用して情報を収集し、それを統合して細胞の根底にある状態をよりよく理解します。ある情報は1つのモダリティによってのみ捕捉され、他の情報はモダリティ間で共有されます。細胞内で何が起こっているかを完全に理解するためには、情報がどこから来たのかを知ることが重要です」とShivashankarは言う。 科学者にとって、これを整理する唯一の方法は、多くの場合、複数の個別の実験を行い、結果を比較することである。この遅くて煩雑なプロセスは、彼らが収集できる情報の量を制限する。 新しい研究で、研究者らは、どの情報が異なるモダリティ間で重複し、どの情報が特定のモダリティに固有であり他のモダリティでは捕捉されないかを特に理解する機械学習フレームワークを構築した。 「ユーザーとして、単に細胞データを入力するだけで、どのデータが共有され、どのデータがモダリティ固有であるかを自動的に教えてくれます」とZhangは言う。 このフレームワークを構築するために、研究者らは、マルチモーダル細胞測定を捕捉して解釈するために機械学習モデルが設計される典型的な方法を再考した。 通常、オートエンコーダーとして知られるこれらの手法は、測定モダリティごとに1つのモデルを持ち、各モデルはそのモダリティによって捕捉されたデータの個別の表現をエンコードする。表現は、無関係な詳細を捨て去った入力データの圧縮版である。 MITの手法では、複数のモダリティ間で重複するデータがエンコードされる共有表現空間と、各モダリティからの固有のデータがエンコードされる個別の空間を持つ。 本質的に、細胞データのベン図のように考えることができる。 研究者らはまた、どのデータが複数のデータモダリティ間で共有されているかを決定する際に関わる複雑さをモデルが処理するのに役立つ特別な2段階のトレーニング手順を使用した。トレーニング後、モデルは見たことのない細胞データを入力されると、どのデータが共有され、どのデータが固有であるかを識別できる。 データの区別 合成データセットでのテストでは、このフレームワークは既知の共有情報とモダリティ固有の情報を正しく捕捉した。彼らがこの方法を実世界の単一細胞データセットに適用したとき、トランスクリプトミクスとクロマチンアクセシビリティなどの2つの測定モダリティによって共同で捕捉された遺伝子活性を包括的かつ自動的に区別すると同時に、どの情報がそれらのモダリティのうちの1つからのみ来たかを正しく識別した。 さらに、研究者らはこの方法を用いて、がん患者のDNA損傷を示す特定のタンパク質マーカーをどの測定モダリティが捕捉したかを識別した。この情報がどこから来たかを知ることは、臨床科学者がそのマーカーを測定するためにどの技術を使用すべきかを決定するのに役立つだろう。 「細胞にはモダリティが多すぎて、すべてを測定することはできません。ですから予測ツールが必要です。しかし、その場合の問題は、どのモダリティを測定し、どのモダリティを予測すべきかということです。私たちの方法はその質問に答えることができます」とUhlerは言う。 将来的には、研究者らはモデルが細胞の状態についてより解釈可能な情報を提供できるようにしたいと考えている。また、細胞情報を正しく分離することを確認するための追加実験を行い、モデルをより広範な臨床的疑問に適用したいと考えている。 「これらすべてのモダリティからの情報を統合するだけでは十分ではありません」とUhlerは言う。「細胞の異なる構成要素が互いにどのように調節し合っているかを理解するために、異なるモダリティを注意深く比較すれば、細胞の状態について多くを学ぶことができます」 この研究は、一部、ブロード研究所のEric and Wendy Schmidt Center、スイス国立科学財団、米国国立衛生研究所、米国海軍研究局、アストラゼネカ、MIT-IBM Watson AI Lab、MIT J-Clinic for Machine Learning and Health、およびSimons Investigator Awardによって資金提供されている。 Share this news article on: Laboratory for Information and Decision Systems Institute for Data, Systems, and Society Department of Electrical Engineering and Computer Science School of Engineering MIT Schwarzman College of Computing Eric and Wendy Schmidt Center Broad Institute Biological engineering Artificial intelligence Machine learning Computer sc

AIが細胞生物学における全体像の把握を支援

背景や根拠まで確認しますか？

調べる

選ぶ

サイト