Во впечатляющей демонстрации доказательства концепции междисциплинарная команда ученых разработала электронную систему, управляемую алгоритмом машинного обучения, который может сдвигать напряжение мембраны в живых клетках и поддерживать его в заданной точке в течение 10 часов.Каждая живая клетка поддерживает напряжение на клеточной мембране, возникающее в результате разницы концентраций заряженных ионов внутри и снаружи клетки.
Часто называемое мембранным потенциалом или потенциалом покоя, это напряжение регулируется ионными каналами в клеточной мембране и играет важную роль в физиологии клеток и таких функциях, как пролиферация и дифференцировка.
Управление клетками с помощью биоэлектроники затруднено из-за сложных способов реагирования клеток на изменения в окружающей их среде и естественного саморегулирующегося процесса обратной связи, известного как гомеостаз. Клетки регулируют движение ионов, чтобы поддерживать постоянное напряжение мембраны, поэтому исследователи должны были разработать систему, которая могла бы противодействовать этой естественной реакции.
Биологические системы обратной связи фундаментальны для жизни, и их неисправность часто связана с болезнями. Эта работа демонстрирует, что мы можем настроить эту обратную связь с помощью комбинации электронных устройств, приводимых в действие машинным обучением, и потенциально восстановить ее функционирование, сказал Марко Воланд, профессор и заведующий кафедрой электротехники и вычислительной техники Калифорнийского университета в Санта-Крус-Баскине.
Воланд является старшим автором-корреспондентом статьи, описывающей эту работу, опубликованной 24 сентября в журнале Advanced Intelligent Systems. Другие авторы-корреспонденты, которые помогали руководить проектом, - это Кармелла Гомес, доцент прикладной математики Калифорнийского университета в Санта-Крусе, и Майкл Левин, директор Центра регенеративной и эволюционной биологии Университета Афиса и член-корреспондент Института Висса Гарвардского университета.
Исследователи разработали систему, включающую массив электронных протонных насосов, которые добавляют или удаляют ионы водорода из раствора в непосредственной близости от культивируемых стволовых клеток человека. Клетки были генетически модифицированы, чтобы компрессировать флуоресцентный белок на клеточной мембране, который реагирует на изменения напряжения мембраны. Система управляется алгоритмом машинного обучения, который отслеживает, как напряжение мембраны реагирует на стимулы от протонных насосов.Это замкнутая система, в которой она записывает поведение клеток, определяет, какое вмешательство нужно доставить с помощью протонных насосов, видит, как клетки реагируют, а затем определяет следующее вмешательство, необходимое для достижения и поддержания желаемого состояния напряжения мембраны, объяснил Воланд.Гомес, который разработал алгоритм машинного обучения, сказал, что алгоритм не обучается заранее ни на каких данных и не опирается на модель системы. Вместо этого обучение происходит в реальном времени, когда нейронная сеть реагирует на входные данные относительно текущего состояния мембранного напряжения.
Адаптивная природа биологии —то есть способность клеток изменять свою реакцию на внешние раздражители-требует адаптивного подхода в контроле, где статические модели и прошлая информация могут устареть.
Поскольку мембранное напряжение стволовых клеток отличается от напряжения зрелых дифференцированных клеток, исследователи заинтересованы в возможности использования системы для индукции и направления дифференцировки стволовых клеток в определенные типы клеток. Однако они не рассматривали дифференцировку клеток в явном виде в этом исследовании доказательства концепции.
В более широком смысле сочетание биоэлектроники и машинного обучения в замкнутой гибридной системе имеет много потенциальных применений в регенеративной медицине и синтетической биологии, сказал Воланд. Он отметил, что результаты этого исследования послужат основой для работы команды над крупными усилиями по разработке умной повязки, обеспечивающей электронное интеллектуальное управление регенерацией раны.
Это исследование является важным доказательством концепции использования биоэлектроники и машинного обучения для управления функциями клеток.
