APOLLO: Розкриття таємниць клітинного коду

Дослідники з Інституту Броуда при Массачусетському технологічному інституті та Гарварді, а також Федеральна вища технічна школа Цюриха у співпраці з Інститутом Пауля Шеррера представили APOLLO – інноваційний фреймворк на основі штучного інтелекту для інтерпретації складних багатошарових клітинних даних. Рішення дозволяє науковцям чітко розрізняти біологічні сигнали, спільні для різних методів вимірювання, від тих, що є унікальними для конкретних аналізів, підвищуючи точність досліджень захворювань та планування експериментів.

У сучасній клітинній біології мультимодальні підходи є критично важливими для комплексного аналізу клітинного стану. Такі методи, як транскриптоміка (аналіз експресії генів), дослідження доступності хроматину, кількісне визначення білків або клітинна візуалізація, відображають різні аспекти функціонування клітини. Проте інтеграція цих потоків даних залишається складним завданням: традиційні моделі машинного навчання часто об’єднують їх в єдиний латентний простір, що ускладнює визначення джерела конкретного сигналу.

APOLLO долає цю проблему, структуруючи дані у спільні та специфічні для модальності латентні простори. Подібно до діаграми Венна, система кодує інформацію, що перетинається між різними модальностями, у спільному просторі, тоді як унікальні характеристики кожного типу даних зберігаються окремо. Така архітектура забезпечує простежуваність походження сигналів і дозволяє виконувати більш детальний аналіз.

В основі APOLLO лежить вдосконалений мультимодальний автоенкодер із двоетапною процедурою оптимізації. На першому етапі декодери навчаються відновлювати вхідні дані з латентних просторів, що гарантує стабільне вилучення ознак для кожної модальності. На другому етапі енкодери узгоджуються між собою для чіткого відокремлення спільних і унікальних сигналів. Після навчання модель здатна аналізувати нові набори даних і автоматично визначати, які характеристики є крос-модальними, а які – специфічними.

Перевірка на синтетичних наборах даних підтвердила здатність APOLLO точно відновлювати заздалегідь визначені сигнали. У реальних задачах, зокрема при роботі з парними одноклітинними даними, метод продемонстрував високу ефективність інтеграції.

З практичної точки зору APOLLO дозволяє встановити, який саме метод вимірювання відповідає за виявлення певного біомаркера, наприклад маркерів пошкодження ДНК у ракових клітинах. Це допомагає клінічним дослідникам обирати оптимальні інструменти для моніторингу перебігу хвороби або оцінки ефективності терапії. Крім того, система підтримує прийняття рішень щодо того, які параметри доцільно вимірювати безпосередньо, а які можна надійно передбачити обчислювально, що зменшує витрати при мультимодальному профілюванні.

Доповненням до подібних передових фреймворків є спеціалізовані інструменти штучного інтелекту для ранньої діагностики, зокрема система комп’ютерної діагностики раку молочної залози на базі штучного інтелекту від QuData. Це рішення використовує глибоке навчання для автоматичного аналізу та класифікації мамографічних знімків відповідно до системи BI-RADS, виділяючи підозрілі ураження за допомогою обмежувальних рамок (bounding boxes). Модель підвищує точність діагностики, зменшує кількість пропущених діагнозів і хибнопозитивних результатів, а також допомагає радіологам у більш ранньому та послідовному виявленні раку молочної залози.

Окрім онкології, APOLLO має потенціал застосування у дослідженні нейродегенеративних захворювань, зокрема хвороби Альцгеймера, метаболічних розладів, таких як діабет, та інших патологій, пов’язаних із багаторівневою регуляцією клітинних процесів. Аналізуючи взаємодію різних клітинних компонентів, система сприяє формуванню цілісного, системного розуміння механізмів розвитку хвороб.

У подальших дослідженнях планується підвищити інтерпретованість моделі, розширити її застосування до непарних наборів даних (зокрема із використанням механізмів узгодження розподілів) та масштабувати рішення для роботи з великими біобанками у сфері прецизійної медицини.