Статья подготовлена изданием Лаборант - журнал об аналитической химии. Подписывайтесь так же на наш телеграм-канал о научных новостях Фармацевтика.
Назад пути нет
Еще недавно решение кристаллической структуры белка требовало написания целой докторской диссертации. Выращивание кристаллов, сбор данных рентгеновской дифракции и интерпретация карт электронной плотности занимали годы оптимизации и использования дорогостоящих инструментов. Даже тогда решение всех структур белков оставалось вызовом, усугубляя проблему «свертывания белка» в биологии.
Перенесемся в наше время – AlphaFold 3 от Google DeepMind, основанный на ИИ, может предсказывать трехмерные структуры белков, ДНК, РНК и лигандов за считанные минуты с невероятной точностью. Ученые по всему миру могут получить доступ к этим предсказаниям на бесплатном сервере AlphaFold, ускоряя научный прогресс.
Видно, что влияние ИИ распространяется на все области исследований и разработки лекарств, от оптимизации белков до анализа клеток, помогая лабораториям максимизировать эффективность.
Исследования и разработки биопрепаратов в эпоху ИИ
Методы, управляемые ИИ, революционизируют de novo дизайн однодоменных антител и мини-белков, значительно ускоряя создание новых биопрепаратов, включая тех, которые трудно поддаются разработке, таких как рецепторы, сопряженные с G-белками (GPCR), и ионные каналы.
Например, исследователи могут использовать AlphaFold 3 для предсказания структуры антитела и его связывающей аффинности к целевому антигену. Это моделирование оптимизирует дизайн антитела, сокращая время и ресурсы, необходимые для экспериментального тестирования.
Компания NVIDIA, ведущий технологический гигант, расширила свои предложения, включив в них решения на основе ИИ и глубокого обучения с широким спектром применений в бионауках.
Компания Amgen, известная биотехнологическая компания, сокращает время и стоимость разработки биопрепаратов, используя возможности ИИ и вычислительных технологий NVIDIA для предсказания структур белков, оптимизации молекулярных взаимодействий и ускорения процессов открытия лекарств.
Проблема анализа клеток
Клеточный анализ и анализ изображений критичны в исследовательских рабочих процессах для оценки здоровья клеток, их жизнеспособности и пролиферации, обеспечивая использование только здоровых клеток в экспериментах. В биопрепаратах высокопроизводительные клеточные анализы регулярно используются для определения пригодности клеточных линий-продуцентов антител или измерения клеточных ответов на биотерапевтические кандидаты.
До появления современных инструментов анализ изображений клеток был ручной работой, требующей часов труда экспертов с острым зрением. Помимо очевидного недостатка производительности, такой анализ был субъективным и подверженным ошибкам.
Еще одной проблемой является биологическая значимость клеточных данных. Как и большинство живых существ, клетки показывают свое истинное состояние, когда их не беспокоят. Но методики маркировки и визуализации, используемые для отслеживания поведения клеток, могут влиять на биологию клеток и получаемые данные, особенно с чувствительными типами клеток, такими как стволовые клетки.
Джасмин Тригг, ученый из компании Sartorius, соглашается. «До появления современных инструментов мне было сложно анализировать то, что нужно. Трудно было точно сегментировать клетки или анализировать их в большем масштабе. Еще одной проблемой было использование реагентов для визуализации, особенно с нейронными клетками. Иногда они не подходили для чувствительных клеток или вводили артефакты», - вспоминает Тригг из своих дней в нейронаучной лаборатории.
Ученые, такие как Тригг, решают эти проблемы с помощью нового поколения инструментов для анализа живых клеток, совмещенных с программным обеспечением, управляемым ИИ.
Анализ живых клеток с помощью ИИ
Современные инструменты для анализа живых клеток предоставляют высококачественные данные гораздо быстрее. Во-первых, эти технологии изначально не нарушают структуру клеток. Например, система Incucyte® Live-Cell Analysis System включает микроскоп и функции визуализации внутри инкубатора для клеточных культур, позволяя наблюдать за клетками в реальном времени без их перемещения.
Во-вторых, программное обеспечение, основанное на ИИ, улучшает эти инструменты, автоматизируя утомительный процесс анализа тысяч клеточных изображений в высокопроизводительных приложениях.
Эти модули программного обеспечения полагаются на методы глубокого обучения, обученные на обширных наборах данных клеточных изображений. Высококачественные тренировочные наборы данных имеют решающее значение, поскольку они служат основой для ИИ, чтобы научиться различать различные типы клеток, состояния и аномалии.
Типичный рабочий процесс анализа начинается с сегментации, отделения отдельных клеток от фона, за которой следует классификация для идентификации типов клеток, состояний или специфических интересных особенностей. Эта автоматизация и объективный анализ являются ключом к предоставлению последовательных и воспроизводимых результатов в дозозависимых тестах или исследованиях оптимизации клеток.
Безметочный анализ клеточной конфлюэнции и жизнеспособности
Важным решением при разработке клеточных анализов является выбор между отслеживанием событий с помощью флуоресцентной маркировки или без нее. Флуоресценция имеет много практических преимуществ в клеточном анализе, но иногда это не вариант. Исследователи, работающие с сложными моделями заболеваний или клетками, полученными от пациентов, все чаще выбирают недеструктивные методы без маркировки.
Достижения в области ИИ предоставляют мощные возможности анализа для базовых измерений пролиферации и клеточной смерти без использования меток. Например, базовое программное обеспечение анализа системы Incucyte® включает алгоритм конфлюэнции ИИ для автоматической сегментации изображений клеток в фазоконтрасте с минимальным вмешательством пользователя. Основанная на нейронной сети, обученной на многих классах клеток, эта рабочая схема проще, объективнее и повторяемая, масштабируясь в соответствии с потребностями лаборатории.
Для безметочного анализа здоровья клеток на системе Incucyte®, модуль анализа здоровья клеток ИИ использует алгоритмы, управляемые ИИ, для кинетической количественной оценки живых и мертвых клеток на основе обученных нейронных сетей. Посмотрите этот новый вебинар, чтобы услышать больше от Джасмин Тригг о вызовах в анализе здоровья клеток и последних инструментах ИИ для визуализации живых клеток.
Статья подготовлена изданием Лаборант - журнал об аналитической химии. Подписывайтесь так же на наш телеграм-канал о научных новостях Фармацевтика.
