人工智能和机器人技术揭示了皮肤细胞中帕金森病的细胞特征

纽约干细胞基金会研究所的研究人员推出了一个用于发现疾病细胞特征的新平台，该平台将用于研究患者细胞的机器人系统与用于图像分析的人工智能方法集成在一起。科学家们利用其自动化细胞培养平台与GoogleResearch合作，创建并分析了来自91名患者和健康对照组的超过100万张皮肤细胞图像，成功识别了帕金森病的新细胞特征。

“传统药物发现效果不佳，尤其是对于帕金森氏症等复杂疾病，”NYSCF首席执行官苏珊·L·所罗门(SusanL.Solomon)法学博士指出。“NYSCF开发的机器人技术使我们能够从大量患者中生成大量数据，并发现疾病的新特征，作为发现实际有效药物的全新基础。”

谷歌研究院软件工程师MarcBerndl补充道：“这是人工智能在疾病研究方面的力量的理想展示。我们与NYSCF进行了非常富有成效的合作，特别是因为他们先进的机器人系统创建了可重复的数据，可以产生可靠的见解。”

值得注意的是，新平台与疾病无关，只需要易于获取的患者皮肤细胞。它还可以应用于其他细胞类型，包括NYSCF为模拟多种疾病而创建的诱导多能干细胞的衍生物。

Solomon、Berndl及其同事在《自然通讯》杂志上发表的一篇题​​为“整合深度学习和无偏见的自动化高内涵筛选来识别人类成纤维细胞中的复杂疾病特征”的论文中描述了这项技术。在他们的报告中，该团队得出的结论是，该平台“......代表了一种强大的、公正的方法，可以促进传统目标和假设驱动方法无法检测到的精准候选药物的发现。”

作者指出，发现复杂疾病的有效疗法的一个主要挑战是定义可用于高通量药物筛选的稳健疾病表型。“通过生物银行和诱导多能干细胞(iPSC)模型，患者细胞的可用性不断增加，为基于细胞的药物发现提供了绝佳的机会，但在缺乏可靠的药物靶标的情况下，仍然需要新的方法来发现公正的定量细胞表型”。他们表示，人工智能(AI)和基于深度学习的分析中的新兴技术可以通过“区分药物诱导的细胞表型、阐明作用机制并深入了解药物再利用”，为加速药物发现提供新途径。

研究人员指出，帕金森病(PD)是第二常见的进行性神经退行性疾病，影响2-3%的65岁以上人群。虽然包括LRRK2、GBA和SNCA在内的许多基因变异与PD风险相关，但90%以上的病例是散发性的，由未知的遗传和环境因素引起。尽管在阐明PD的病理机制方面已经取得了实质性进展，但作者指出，“……最近针对已建立的病理途径的临床试验的失败表明，当前的药物发现策略仍然不足。”

新报告的方法利用NYSCF庞大的患者细胞存储库和最先进的机器人系统(NYSCFGlobalStemCellArray®)来分析来自91名帕金森病患者和健康对照的数百万个细胞的图像。科学家们使用Array®从皮肤打孔活检样本中分离和扩增成纤维细胞(“一种容易获得的细胞类型，反映供体遗传学和环境暴露史”)，使用称为“细胞绘画”的技术标记这些细胞的不同部分，并创建数千个高内涵光学显微镜图像。生成的图像被输入到一个公正的、人工智能驱动的图像分析管道中，识别患者细胞特有的图像特征，这些特征可用于将它们与健康对照区分开来。作者进一步解释说，“......我们将可扩展的自动化和深度学习相结合，开发了一个高通量和高内容的筛选平台，用于对细胞表型进行无偏群体规模的形态学分析......我们使用在ImageNet上训练的卷积深度神经网络的固定权重来生成深度嵌入每个图像并训练机器学习模型来检测形态学疾病表型。我们平台的稳健性和灵敏度允许跨批次和板布局以高保真度检测个体特异性变异。”

“这些人工智能方法可以确定患者细胞的共同点，而这些共同点可能无法通过其他方式观察到，”谷歌研究院研究科学家、共同通讯作者SamuelJ.Yang说。“同样重要的是，这些算法是公正的——它们不依赖于任何有关帕金森病的先验知识或先入之见，因此我们可以发现全新的疾病特征。”

“令人兴奋的是，我们能够区分患者细胞和健康对照的图像，以及疾病的不同亚型，”该研究的共同通讯作者、纽约州癌症基金会高级研究员BjarkiJohannesson博士指出。“我们甚至可以相当准确地预测细胞样本来自哪个供体。”正如科学家在论文中报道的那样，“重要的是，我们的公正分析方法还确定了普遍的PD疾病特征，这使我们能够将散发性PD细胞和LRRK2PD细胞与健康对照细胞区分开来。”

该团队确定的帕金森病特征现在可以用作对患者细胞进行药物筛选的基础，以发现哪些药物可以逆转这些特征。研究人员还希望该平台能为传统药物发现不成功的许多疾病开辟新的治疗途径。该团队表示：“我们使用标准细胞标记和基于深度学习的图像分析来识别帕金森氏症特定疾病特征的能力凸显了该平台在识别各种细胞类型中的复杂疾病表型方面的普遍潜力。”

NYSCF发现和平台开发高级副总裁DanielPaull博士表示：“这是第一个能够以如此高的精度和灵敏度成功识别疾病特征的工具。”“它识别患者亚组的能力对于许多疑难杂症的精准医疗和药物开发具有重要意义。”

正如作者总结的那样，“据我们所知，这是第一个成功的演示，其中基于自动化、无偏见的深度学习的表型分析能够区分来自PD患者(散发性和LRRK2)的原代细胞和健康对照......据我们所知，这种公正的高内容分析实验是前所未有的：它为科学界提供了迄今为止最大的公开可用的细胞绘画数据集(就像素数而言)，大小为48TB。”细胞绘画数据集可供研究社区使用，网址为：https://nyscf.org/nyscf-adpd/。