这是人类免疫系统发展的一个关键阶段,免疫系统的能力不仅仅是对任何入侵者(如病原体或癌症而是针对特定类型的入侵者,记住,如果它试图再次入侵,就会在一个叫做t细胞的免疫细胞和呈递抗原的细胞之间形成一个连接点,或者是引起问题的入侵者的一部分。这一过程就像把嫌疑人的照片发送到警车上,以便警察能够认出他们试图追踪的罪犯一样。这两个细胞之间的连接,被称为免疫突触,或IS,是教会免疫系统如何识别特定类型的入侵者的关键过程。
由于IS连接的形成是抗原特异性免疫反应启动的关键步骤,各种技术使得研究人员能够观察这一过程的发生,并用于研究其动力学。大多数实时成像技术都依赖于荧光显微镜在那里,基因调整导致细胞中的部分蛋白质发出荧光,进而允许通过荧光追踪对象,而不是通过许多传统显微镜技术中使用的反射光。
然而,基于荧光的成像可能会受到诸如光漂白和光毒性等影响,从而阻碍了对IS连接过程中长期动态变化的评估。基于荧光的成像仍然涉及照明,因此荧光团(引起荧光的化合物)发出不同颜色的光。当受试者暴露在过多的光照下时,会发生光漂白或光毒性,导致化学变化或细胞损伤。
最近的一种选择是3D技术,它可以消除荧光标记,从而避免这些问题全息显微镜或全息摄影术(HT)。在这种技术中,折射率(光线在遇到不同密度的物质时改变方向的方式——为什么吸管看起来像在一杯水中弯曲)被3D记录为a全息图.
到目前为止,HT一直被用于研究单个细胞,但从来没有细胞与细胞之间的相互作用参与免疫反应。其中一个主要原因是“分割”的困难,即区分细胞的不同部分,从而区分相互作用的细胞;换句话说,破译哪个部分属于哪个细胞。
手动分割,或手工标记不同的部分,是一种选择,但它是困难和耗时的,特别是在三维。为了克服这个问题,自动分割已经发展,在简单的计算机算法执行识别。“但这些基本算法经常会出错,”物理系的YongKeum Park教授解释说,“特别是在毗连分割方面,这当然正是我们最感兴趣的免疫反应中发生的事情。”
因此,研究人员将深度学习框架应用于HT分割问题。深度学习是一种机器学习在人工神经网络基于人类大脑的模式识别方式与人类的方式相似。常规的机器学习需要数据作为已经标记好的输入。人工智能通过理解被标记的数据进行“学习”,然后在输入新数据时识别被标记的概念。例如,在一千张标有“猫”的猫的图像上训练的人工智能,在下一次遇到带有猫的图像时,应该能够识别出一只猫。深度学习涉及多层人工神经网络攻击更大的、但没有标签的数据集,在这些数据集中,人工智能为遇到的概念开发自己的“标签”。
本质上,韩国科学技术院研究人员开发的深度学习框架DeepIS提出了自己的概念,通过这些概念,它区分了IS连接过程的不同部分。为了验证这一方法,研究团队将其应用于嵌合抗原受体(CAR) t细胞和靶癌细胞之间形成的特定IS连接的动力学。然后,他们将结果与他们通常会做的事情进行比较:手工执行分割的费力过程。他们发现DeepIS不仅能够高精度地定义IS内部的区域,而且该技术甚至能够捕获关于IS内部蛋白质总分布的信息,而这可能是传统技术难以测量的。
朴教授补充说:“除了让我们避免手工分割的苦差事以及光漂白和光毒性的问题,我们发现人工智能实际上做得更好。”
下一步将结合技术与测量多少物理力是由不同部分的is结,如全息光镊或牵引力显微镜应用的方法。
这项研究发表在《eLife》杂志上。
来源:韩国科学技术高级研究院