Eine gesunde Dosis KI: Maschinelles Lernen beschleunigt die Forschung zur Gesundheit der Schilddrüse.
Ein gemeinsames Team von Forschern der Constructor University und der Constructor Technology hat die Kraft des maschinellen Lernens genutzt, um neue Erkenntnisse über die Gesundheit der menschlichen Schilddrüsen zu entdecken. In einer neuen Studie, die wurde, entwickelte ein Team um den Professor für Zellbiologie der Constructor University, Klaudia Brix, eine neue Bildanalyse-App namens "CU Cilia", die Algorithmen des maschinellen Lernens nutzte, um primäre Zilien in menschlichen Schilddrüsenzellen erfolgreich zu erkennen und zu messen.
Bild: Klaudia Brix, Professor of Cell Biology at Constructor University
Ein gemeinsames Team von Forschern der Constructor University und der Constructor Technology hat die Kraft des maschinellen Lernens genutzt, um neue Erkenntnisse über die Gesundheit der menschlichen Schilddrüsen zu entdecken. In einer neuen Studie, die wurde, entwickelte ein Team um den Professor für Zellbiologie der Constructor University, Klaudia Brix, eine neue Bildanalyse-App namens "CU Cilia", die Algorithmen des maschinellen Lernens nutzte, um primäre Zilien in menschlichen Schilddrüsenzellen erfolgreich zu erkennen und zu messen.
Neben der Präsentation der verbesserten Geschwindigkeit, Präzision und Zugänglichkeit von CU Cilia im Vergleich zu herkömmlichen Methoden bestätigte die Studie einen Zusammenhang zwischen bestimmten Enzymen und der primären Zilienlänge in Schilddrüsenzellen, ein Befund, der wichtige Auswirkungen auf die Gesundheit der Schilddrüsen haben könnte.
Primäre Zilien sind winzige, haarähnliche Projektionen, die aus der Zellmembran herausragen. Die in der Studie analysierten Schilddrüsenepithelzellen versorgen den Körper mit lebenswichtigen Schilddrüsenhormonen, wobei primäre Zilien als eine Art Antenne verwendet werden, um Umweltsignale zu erkennen und diese entscheidenden Prozesse zu regulieren. Das Forschungsprojekt untersuchte, ob primäre Zilien in menschlichen Schilddrüsenzellen von Enzymen betroffen sind, die als Cathepsine bekannt sind, die frühere Forschungen mit der Entwicklung von Zilien und der Schilddrüsengesundheit bei Mäusen in Verbindung gebracht haben. Wie Professor Brix bemerkte, "wollten wir mit dieser Studie untersuchen, ob die Struktur der primären Zilien von Proteasen abhängt", der Klasse von Enzymen, die Cathepsine einschließen und Proteine und Peptide abbauen. "Dies ist eine wichtige wissenschaftliche Frage, weil diese empfindlichen zellulären Antennen als Biomarker für Gesundheit und Krankheit dienen."
Das Projekt beinhaltete die Analyse einer großen Anzahl von hochauflösenden, laserscannenden Mikroskopiebildern von primären Zilien, in denen Professor Brix die Möglichkeit sah, Innovationen zu entwickeln und mit Experten des maschinellen Lernens der Partnerorganisation Constructor Technology der Universität zusammenzuarbeiten. "Kurz gesagt, CU Cilia ermöglicht es uns, Hunderte von Bildern zu analysieren, wodurch der Ansatz der Verwendung struktureller Veränderungen der primären Zilien als Biomarker für Gesundheit und Krankheiten für Wissenschaftler der Grundlagenforschung und der medizinischen Forschungsbereiche zugänglich gemacht wird."
Durch die Nutzung der interdisziplinären Expertise der beiden Constructor Group-Organisationen testete das Projektteam CU Cilia zusammen mit herkömmlichen regelbasierten Bildanalyseprogrammen und konnte eine schnellere und zugänglichere Analyse zur Erkennung von Primärzilien und Segmentierungskernen liefern. "Nachdem wir gelernt haben, miteinander über die zugrunde liegende Zellbiologie und die computergestützten Herausforderungen der Bildanalyse mit hohem Inhalt zu sprechen, war es eine großartige Erfahrung, an der Realisierung dieser auf maschinellem Lernen basierenden App zu arbeiten", reflektierte die Wissenschaftliche Assistentin Maren Rehders.
Die Analyse mit CU Cilia bestätigte einen Zusammenhang zwischen Cathepsinen und der primären Zilienlänge, was auf eine strukturelle Rolle des Enzyms in Schilddrüsenzellen sowohl für Menschen als auch für Mäuse hindeutet und neue Wege für weitere Untersuchungen eröffnet. Durch die Kombination der Präzision des maschinellen Lernens mit den biologischen Erkenntnissen der hochauflösenden Mikroskopie zeigte die Studie das Potenzial des maschinellen Lernens, die Entdeckung zu beschleunigen – auch in den kleinsten Lebensräumen. "Diese Arbeit unterstreicht die Kraft der interdisziplinären Zusammenarbeit, bei der Ingenieure und Molekularbiologen des maschinellen Lernens ihre Kräfte bündeln können, um die wissenschaftliche Entdeckung voranzutreiben und wirkungsvolle Werkzeuge zu schaffen", fügte Professor Peter Popov, Experte für maschinelles Lernen der Constructor Group, hinzu.
Quelle: Constructor University Bremen gGmbH
Bild: Klaudia Brix, Professor of Cell Biology at Constructor University, Constructor University Bremen gGmbH
