В ИТМО разработали программу, которая поможет быстрее проектировать материалы для регенеративной медицины

Чтобы разрабатывать новые медицинские материалы с определенными свойствами ― например, сосудистые стенты или импланты для исправления тканевых дефектов, необходимо понимать клеточную структуру веществ, из которых они будут состоять, и совместимость этих веществ с клетками организма. Обладая этими данными, специалисты могут спрогнозировать, помогут ли эти материалы достичь нужного эффекта и будут ли они безопасны для человека.

Чтобы точнее изучить клеточные процессы и проследить их динамику, ученые культивируют клетки на образцах вещества, вручную или с помощью специализированного ПО сегментируют эти клетки на изображениях с микроскопа и выявляют закономерности в их особенностях.

Например, одна из частей процесса выглядит так: специалисты «обводят» клетки по контуру и выделяют у каждой из них ядро ― внешне это чем-то похоже на технологию создания картин по номерам. Так единое изображение делится на множество мелких фрагментов с четкими границами, и в результате ученые получают уже не бесформенное пятно с сотнями клеток, а изображение, на котором каждая из них отделена от другой четкой линией. На основе этих данных исследователи могут выявлять паттерны в форме, размере и других характеристиках клеток и делать выводы об особенностях совместимости вещества и клеток, относящихся к определенному типу ткани.

Чтобы правильно выделить закономерности в свойствах клеток с достаточной статистической значимостью, нужно обработать сотни снимков. Как правило, на это у специалистов уходит несколько дней. Ускорить процесс удается с помощью специальных ML-инструментов ― такой подход позволяет сегментировать сопоставимый объем снимков всего за пару минут.

Один из самых популярных сегодня инструментов, которые используются для автоматической сегментации изображений клеток, ― фреймворк Cellpose. Его еще в 2020 году разработали нейробиологи Карсен Стрингер и Мариус Пачитариу, а сейчас фреймворк используют биологи и химики по всему миру. Тем не менее, Cellpose позволят лишь сегментировать клетки на снимках, но статистические данные о характеристиках ученые продолжают собирать вручную.

Ученые ИТМО разработали инструмент, который позволяет автоматизировать и этот этап работы с изображениями клеток. Их программа, получившая название Cellpose+, расширяет функции уже существующего фреймворка: теперь он в автоматическом режиме собирает статистические данные о морфологических характеристиках клеток со снимков всего за несколько минут. Cellpose+ предоставляет информацию об общем числе клеток, их плотности, площади, форме, расположении ядра, соотношении размера клетки и ядра, симметричности расположения, а также дает информацию о другом важном показателе ― уровне энтропии Вороного ― который показывает, насколько клетки упорядочены в рассматриваемой плоскости. Так ученые получают необходимые данные для дальнейшего анализа клеточной культуры и проектирования новых медицинских материалов за несколько минут, а не дней.

«Раньше для сбора статистических данных приходилось выгружать снимки из Cellpose и обрабатывать в другой программе или вручную. Теперь обе эти функции соединены в одном инструменте. Сначала со снимками работает нейросеть. Она натренирована на сегментацию клеток на собранной в Cellpose библиотеке изображений. После с обработанными снимками работает уже наша программа. С помощью алгоритмов выделения признаков и анализа собираются и классифицируются данные. Затем результаты загружаются в отдельные файлы в соответствии с указанными характеристиками клеток, с которыми уже может работать ученый. На каждом из этапов работы Cellpose+ человек также может контролировать процесс обработки снимков, чтобы свести количество ошибок к минимуму», — отмечает руководитель исследовательского проекта, доцент научно-образовательного центра инфохимии ИТМО Павел Зун.

Сейчас разработчики тестируют возможности программы на собственных снимках полимеров-полигидроксиалканоатов. Это  биосовместимые и биоразлагаемые полимеры, из которых можно получать подложки для клеток, по своей структуре и механическим свойствам похожие на внеклеточные структуры в организме. На основе полученных данных в Cellpose+ ученые определяют, какие полимеры наиболее пригодны для выживания и дальнейшего деления определенного типа клеток.

В перспективе это позволит вывести наиболее эффективную формулу полимера, который можно использовать в качестве биосовместимого и биоразлагаемого материала для медицинских имплантов в регенеративной медицине или чипа для переноса лекарств к конкретному месту в теле человека.

В перспективе Cellpose+ можно использовать и для решения других задач, связанных с анализом изображений микроскопии. Например, для отслеживания результатов действия терапии на клетки раковой опухоли, создания новых лекарств, поиска аномальных клеток в анализах или изучения особенностей процесса деления определенного типа клеток.

Разработанный учеными ИТМО код находится в свободном доступе на GitHub. Его могут без ограничений использовать исследователи, которые занимаются похожими задачами.

Проект реализуется в рамках гранта НИРСИИ («Научно-исследовательская работа в сфере искусственного интеллекта») № 640103 «Разработка методов автоматизированной обработки и анализа изображений оптической и атомно-силовой микроскопии с использованием методов машинного обучения».