Yazan: Jeremy Linsley, Gladstone Enstitüsü Bilimsel Program Lideri
Çeviren: Remzi KÜÇÜKOĞLU
Yeni bir yapay zeka teknolojisi mikroskop altında ölü hücreleri bir insandan 100 kat daha hızlı tespit edebiliyor. Bu gelişmenin ardından Alzheimer gibi nörodejeneratif hastalıklar üzerinde yapılan araştırmalar hız kazanabilir.
Bir hücrenin ölüm zamanı ve sebebini bilmek insan gelişimi, hastalıklar ve yaşlanma üzerine yapılan çalışmalarda temel teşkil eder. Lou Gehrig, Alzheimer ve Parkinson gibi nörodejeneratif hastalıklara yönelik yeni tedavilerin geliştirilmesi ve bunların test edilmesinde ölü veya ölmekte olan sinir hücrelerinin tespiti kritik bir önem taşır. Ancak ölü hücreleri tespit etmek güç olabilmektedir. Bu, sinirbilimci olarak kariyerim boyunca karşılaştığım bir sorundur.
Bilim insanları, mikroskop altında canlı ve ölü hücreleri işaretleme işini bu zamana kadar manuel olarak yapmak zorundalardı. Ölü hücreler, karakteristik bir yuvarlak görünüme sahiptir. Bu görünümlerinden dolayı onları tanımak göreceli olarak kolaydır. Araştırma takımımız, lisans öğrenimi gören bir stajyer ordusunu binlerce görüntüyü taramaları ve bir numunedeki sinir hücrelerinin ölüm zamanına dair kayıtları tutmaları için saatlik ödemeyle işe almaktadır. Ancak bu işi manuel yapmak maalesef yavaş, maliyetli ve hatalara açık bir süreçtir.
Bu, ölen bir sinir hücresinin mikroskop altındaki görünümüne ait bir time lapse. Bunlar gibi yüz binlerce görüntü arasından manuel olarak eleme yaptığınızı bir hayal edin! Jeremy Linsley, CC BY-NC-ND
Son dönemde bilim insanları, hücrelerin değişim gösterdikleri her anın görüntüsünü yakalayabilmek için otomatik mikroskop kullanmaya başladılar. Böylece durum daha da zorlaştı. Otomatik mikroskoplar fotoğraf çekimini kolaylaştırsa bile manuel olarak elden geçirilmesi gereken çok büyük miktarlarda görüntü oluştururlar. Manuel kuratörlüğün isabetli ve verimli olmadığı bizim için netlik kazanmıştı. Üstelik çoğu görüntüleme tekniğiyle ölü hücreler hücre ölümü son aşamadayken bazen de çürüme başladıktan günler sonra tespit edilebilmektedir. Bu, hücrenin asıl ölüm sebebiyle çürüme sürecine dahil olan etmenleri birbirinden ayırmayı güçleştirir.
Meslektaşlarımla birlikte bir süredir kuratörlük sürecini otomatikleştirmenin yollarını aramaktayız. İlk girişimlerimiz, hücre tipleri ve araştırmada kullandığımız mikroskop türleri çok çeşitli olduğundan yetersizdi. Stajyerlerimizden gelen sonuçlar daha isabetliydi. Ancak araştırma takımımın geliştirdiği yeni bir yapay zeka teknolojisi, ölü hücreleri insanüstü bir hız ve isabetle tespit edebiliyor. Bu gelişmeyle birlikte özellikle nörodejeneratif hastalıklar başta olmak üzere her türden biyomedikal araştırma daha da hız kazanabilir.
Sorunu yapay zekayla gidermek
Yapay zeka, son dönemde mikroskopi alanına hızlı bir giriş yaptı. Özellikle evrişimli sinir ağı (CNN) denilen bir yapay zeka biçiminin, bir insan kadar isabetli görüntü analizi yapması dikkat çekiciydi.
Evrişimli sinir ağları, görüntülerdeki karmaşık örüntüleri tanıyabilir ve keşfedebilirler. Eğer çok sayıda örnek görüntü sunulursa ve görüntülerde üzerinde durulması gereken özellikler belirtilirse CNN’in ilgi örüntülerini tanıması sağlanabilir. Aynı insanda da geçerli olduğu gibi.
Bu örüntülerde gözle görülmesi güç biyolojik fenomenler olabilir. Örneğin bir araştırma grubu, CNN’i cilt kanserini eğitimli dermatologlardan daha isabetli tespit etmesi için eğitmeyi başardı. Aynı şekilde meslektaşlarım da CNN’i mikroskop görüntülerindeki hücre tipini ve bunun gibi karmaşık biyolojik imzaları tespit etmek üzere eğitebildi.
Bu çalışmayı daha da ilerleterek ölü hücrelerin tespit edilmesi amacıyla biyobelirteç ile optimize edilmiş CNN (BO-CNN) olarak adlandırılan yeni bir teknoloji geliştirdik. BO-CNN’i ilk olarak net bir şekilde canlı ve ölü olan hücreleri ayırt etmek üzere eğittik. Bunun için bir petri kabına fare sinir hücreleri yerleştirdik. Petri kabını canlı hücreleri yeşile ölü hücreleri sarıya boyayan, toksik özelliği olmayan ve genetik olarak kodlanmış ölüm göstergesi (GEDI) adı verilen bir proteini üretmek üzere tasarladık. BO-CNN, yeşilin “canlı” sarının ise “ölü” anlamına geldiğini kolayca öğrendi. Bununla birlikte insan gözüyle çok farkedilemeyen ancak hücrenin canlı olup olmadığını ortaya çıkartan başka özellikleri de öğreniyordu.
Yeşil ve sarı renkteki hücreleri birbirinden ayıran özellikleri öğrenmesinin ardından BO-CNN’e renkle birbirinden ayrılmamış sinir hücreleri gösterdik. BO-CNN, canlı ve ölü hücreleri bu iş için eğitilmiş insanlardan daha hızlı ve isabetli bir şekilde sınıfladırabildi. Hatta bu model, farklı mikroskop türlerinden alınan ve farklı hücre tiplerine ait görüntüleri inceleyebiliyor ve buna rağmen ölü hücreleri yanılmadan tespit edebiliyordu.
Ancak önemli bir soru cevapsız kaldı. Modelimiz ölü hücreleri tespit etmede neden bu kadar etkiliydi?
CNN’lerin kararları araştırmacılar tarafından sıklıkla “kara kutular” olarak değerlendirilir. Çünkü bilgisayarların görsel bir görevi yerine getirirken gösterdikleri performans bu amaç için kullandıkları stratejiden daha önemli görülmektedir. Ancak muhakkak ki hücre yapısında modelimizin karar vermek için odaklandığı bazı örüntüler olmalı. Bu örüntülerin tespit edilmesi bilim insanlarının hücre ölümünün neye benzediğini ve bu ölümün neden gerçekleştiğini anlamalarına yardımcı olabilir.
Bu örüntülerin ne olduklarını anlamak için farklı kompütasyonel araçlar kullanarak BO-CNN kararlarının görsel temsillerini oluşturduk. Fark ettik ki modelimiz ölü hücreleri tespit ederken kısmen hücre çekirdeğindeki değişen floresan örüntülerine odaklanıyordu. Bu, kuratörlerin önceden farkında olmadığı bir özelliktir. BO-CNN’in önceki yapay zeka modellerinden daha isabetli sonuç vermesinin sebebi bu olabilir.
Bu görüntülerde canlı sinir hücreleri yeşil, ölü sinir hücreleri ise sarı renkte görünüyor. Ölümü indüklemek için sinir hücrelerine aşırı miktarda nörotransmitter glutamate uygulanıyor ve bu şekilde geridönülemez hasar noktasına doğru hücreler aşırı uyarılıyorlar. Jeremy Linsley, CC BY-NC-ND Yapay zekanın gücünden yararlanmak
Çalışmamızın kompleks biyoloji çalışmalarında yapay zeka kullanımı açısından büyük bir gelişmeyi temsil ettiğine inanıyorum. Bu kavram kanıtı, mikroskop görüntülerinden hücre ölümünü tespit etmekle sınırlı kalmayıp daha geniş bir kullanım alanına yayılabilir. Yazılımımız açık kaynaklıdır. Herkes ulaşabilir.
Canlı hücre mikroskopisi, araştırmacıların açıklık getirmekte zorlandığı son derece fazla bilgi içerir. Ancak araştırmacılar, BO-CNN teknolojisininden yararlanıp hücrelerden gelen sinyalleri kullanarak yapay zekayı eğitebilirler. Böylece yapay zekanın başka hücrelerden gelen sinyalleri tanıyıp değerlendirmesini sağlamış olurlar. BO-CNN, insan tahminlerini devreden çıkararak araştırmaların yeniden üretimini ve hızını artırmaktadır. Ayrıca araştırmacıların görüntülerdeki daha önce kolayca keşfedilemeyen yeni fenomenleri bulmalarına yardımcı olabilir.
Şu anda araştırma takımım, geleceği öngörmesi ve hasar gören hücreleri henüz ölmeden önce tespit etmesi için BO-CNN teknolojisini yapay zekanın gücüyle geliştirmeye çalışıyorlar. İnanıyoruz ki bu sayede nörodejeneratif hastalıklarla ilgili çalışmalarda büyük bir değişim gerçekleşecektir. Sinir hücrelerinin ölümünü engellemek için yeni yolların keşfedilmesi ve etkili tedavilerin bulunması mümkün olacaktır.
