Autopatcher

Saját fejlesztésű, mesterséges intelligenciával vezérelt, automatizált mikroszkóprendszerükkel képesek az élő szövetmintán belül bármilyen sejtet megtalálni, az előzetesen definiált jellemzőkkel rendelkező sejteket stimulálni, továbbá a válaszfolyamatok rögzítése révén biológiai információkat gyűjteni.

A most kidolgozott módszer új távlatokat nyithat olyan világszerte elterjedt betegségek korai diagnosztikájában, illetve kórfolyamatainak megértésében, mint az Alzheimer-kór vagy a Parkinson-kór, ezzel is támogatva a hatékony terápiák kifejlesztését, olvasható az Eötvös Loránd Kutatási Hálózat (ELKH) közleményében.

Napjainkban az élettudományi kutatások területén egyre nagyobb hangsúly helyeződik a sejtek egyedi tulajdonságainak feltérképezésére. Ennek azért van rendkívül nagy jelentősége, mert a különféle szervek és szövetek építőköveinek egyedi jellemzői fontos információkkal szolgálnak a hibás működések hátterének jobb megismeréséhez, illetve a kórfolyamatok mielőbbi felismeréséhez.

Az ELKH Szegedi Biológiai Kutatóközpont Biológiai képfeldolgozó és gépi tanulási munkacsoportja Horváth Péter bioinformatikus vezetésével, valamint Tamás Gábor neurobiológus professzor, a Szegedi Tudományegyetem Agykérgi Neuronhálózatok Kutatócsoportjának vezetője több éve dolgoznak együtt olyan rendszermikroszkópiai megoldásokon, amelyek új utakat nyitottak az egyedi sejtek vizsgálatában.

Legújabb fejlesztésük az Autopatcher névre hallgató, mesterséges intelligencia segítségével működő elektrofiziológiai eljárás, amelyet a Nature Communications című folyóiratban ismertettek. A beszámoló szerint a módszer több tekintetben is egyedülálló: a sejtvizsgálatok natív (festés vagy egyéb jelölés nélküli) agyszöveti mintákon történnek, gépi látás és mesterséges intelligencia felhasználásával. A mélytanulási algoritmusokra épülő, több ezer kép elemzése alapján kidolgozott szoftver a kamerakép alapján képes a mikroszkópba integrált mikropipetta helyének automatikus meghatározására, valamint a pipetta precíz mozgatására, és ennek révén a célsejtek automatikus felismerésére, illetve a célzott sejtek térbeli elmozdulásának észlelésére. A mesterséges intelligenciával vezérelt rendszer a vizsgálat céljától függően minden egyes célsejtet úgy választ ki, hogy a mérés sikeressége a lehető legnagyobb legyen.

A beszámoló szerint az új technológia hozzájárul többek között új emberi sejttípusok felfedezéséhez vagy az agyi idegsejtek kapcsolatainak részletes megismeréséhez. Felidézik, hogy Tamás Gábor hasonló módszerrel fedezett fel korábban egy új emberi agysejttípust, így, mint írják, a most kifejlesztett új eljárás további nagy jelentőségű felfedezések reményét vetíti előre. A technológia emellett új alapokra helyezheti a gyógyszer-kipróbálásokat is azáltal, hogy lehetővé teszi a sejtszintű gyógyszerhatások követését az élő szövetmintán.

A szegedi fejlesztés fontos újításaként említik még a sejtek jelölés nélküli (label-free) vizsgálatát. A sejttípusok azonosítására széles körben használt festési eljárások ugyanis az élő szövetekben szükségképpen a sejtek pusztulását okozzák, így a sejtműködéssel kapcsolatos vizsgálatokat eleve kizárják. Léteznek ugyan másféle, kevésbé drasztikus sejtjelölési eljárások is, ezek alkalmazása azonban számos sejttípus esetében nem megoldható. A natív (festés nélküli) sejtvizsgálat tehát számos olyan hátrányt kiküszöböl, ami eddig gátat szabott az egyes sejtek vizsgálatának.