Nat Commun:利用人工智能技术和机器人系统结合来识别隐藏的帕金森疾病特征
2022-03-31 00:00:00 117阅读 发布地区:

Nat Commun:利用人工智能技术和机器人系统结合来识别隐藏的帕金森疾病特征

  1. 人工智能技术
  2. 帕金森疾病
  3. 症状
  4. 诊断
  5. 药物

来源:本站原创 2022-03-31 23:02

来自美国的科学家们通过研究开发了一种能帮助发现疾病细胞特征的新平台,其或能将研究患者细胞的机器人系统与进行成像分析的人工智能方法相结合,利用这种自动化的细胞培养平台,研究人员通过创建并分析来自91名患者和健康对照个体的超过100万个皮肤细胞图像,成功识别出了帕金森疾病的新型细胞标志。

2022年3月31日 讯 /生物谷BIOON/ --诸如帕金森疾病等疾病的药物发现往往由于缺乏可筛选的细胞表型而受到阻碍;近日,一篇发表在国际杂志Nature Communications上题为“Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts”的研究报告中,来自美国的科学家们通过研究开发了一种能帮助发现疾病细胞特征的新平台,其或能将研究患者细胞的机器人系统与进行成像分析的人工智能方法相结合,利用这种自动化的细胞培养平台,研究人员通过创建并分析来自91名患者和健康对照个体的超过100万个皮肤细胞图像,成功识别出了帕金森疾病的新型细胞标志。

利用人工智能技术和机器人系统结合来识别隐藏的帕金森疾病特征。

图片来源:Wikipedia

研究者Susan L. Solomon表示,传统的药物发现或许并不奏效,尤其是在研究诸如帕金森疾病等复杂疾病上,这种名为NYSCF的机器人技术或能帮助我们从大规模的患者群体中产生大量的数据,同时还能帮助发现新的疾病特征,并作为发现真正有效药物的全新基础;这或许是利用人工智能技术在疾病研究方面的一种理想的展示,本文研究中,研究人员利用NYSCF庞大的患者细胞库和最先进的机器人系统对来自91名帕金森疾病患者和健康对照个体的数百万个细胞图像进行分析,随后研究者利用微阵列来从皮肤穿孔活组织样本中分离并扩大称之为成纤维细胞的皮肤细胞,并利用细胞绘图的技术来标记这些细胞的不同部分,从而创建出了成千上万张高含量的光学显微镜图像,研究者所得到的的图像被送入了一种无偏见、人工智能所驱动的成像分析管线中,从而就能帮助他们识别出针对患者细胞特异性的图像特征,其还能被从来与健康对照个体进行有效区分。

研究者Samuel J. Yang说道,这些人工智能方法或能帮助确定患者机体的细胞有哪些共同点,而这些共同点或许是无法被观察到,同样重要的是,这些算法是无偏见的,其并不依赖于任何关于帕金森疾病的知识或先入为主的观念,因此研究人员就能发现全新的疾病特征。最近,基于特定疾病靶点和被认为是疾病驱动因素的通路而发现的临床试验的失败率较高,这或许凸显出了对帕金森疾病新特征研究的需求,而使用无偏见的方法来发现这些疾病特征(尤其是在患者群体中)对于诊断和药物发现非常有价值,甚至还能揭示患者之间新的区别。

图片来源:https://pubmed.ncbi.nlm.nih.gov/35338121/

研究者Bjarki Johannesson说道,令人振奋的是,如今我们能够区分患者细胞的图像和对照个体的图像,以及不同的疾病亚型,我们甚至能够相当准确地预测一个细胞样本来自于哪个供体。研究人员识别出的帕金森疾病特征还能作为对患者细胞进行药物筛选的基础,同时这还有助于发现哪些药物能逆转这些特征,此外,该研究还产生了已知最大的细胞绘图数据集(48TB)作为一定的社区资源来提供给科学界。

值得注意的是,这种新型平台是疾病诊断性的,其只需要来自患者机体容易获得的皮肤细胞,同样也能应用于其它类型细胞,包括NYSCF用来模拟多种疾病而创建的诱导多能干细胞的衍生物,因此,研究人员希望他们所开发的平台能为传统药物研发不成功的多种疾病提供多种新型的治疗途径。最后研究者表示,这是首次能以如此高精确度和灵敏度成功识别疾病特征的工具,其识别患者亚群的能力对于多种难治性疾病的精准化医疗和药物开发具有非常重要的意义。(生物谷Bioon.com)

原始出处:

Lauren Schiff,Bianca Migliori,Ye Chen, et al. Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts, Nature Communications, DOI:10.1038/s41467-022-28423-4

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->