Nutzung von künstlicher Intelligenz

Krebstherapie-Resistenzen: Veränderungen in der Morphologie der Krebszellen

In einer Studie haben Rune Linding von der HU und seine Kollegen/-innen mithilfe künstlicher Intelligenz Veränderungen in der Morphologie von Krebszellen untersucht und interpretiert, um zu verstehen, wie diese Zellen gegen Krebsmedikamente resistent werden.

© Juan Gärtner - stock.adobe.com

Menschliche Zellen verändern ständig ihre Form. Aus der Biologie ist bekannt, dass diese morphologischen Verformungen widerspiegeln, wie sich eine Zelle verändert. Bisher war die Forschung aber nur begrenzt in der Lage, die Bedeutung hinter der Form einer Zelle zu verstehen. Um das zu ändern, verwendete das Forscherteam von der Humboldt-Universität zu Berlin (HU) einen Algorithmus (künstliche Intelligenz), um die Morphologie von etwa 850 Millionen Krebszellen über einen Zeitraum von drei Monaten zu analysieren. Damit untersuchten sie eine weitaus größere Zahl, als das für Biologen/-innen möglich wäre. Durch KI erhielt das Team einen einzigartigen Einblick in sehr subtile Veränderungen in der Morphologie, die Krebszellen erfahren, wenn sie gegen Therapien resistent werden. Für das menschliche Auge sind derartige Abweichungen unsichtbar.

Bessere Therapien gegen Krebs?

Der Algorithmus war nicht nur in der Lage, genau vorherzusagen, welche Krebszellen gegen Arzneimittel resistent waren, indem er sie nur „ansah“, sondern er konnte auch vorschlagen, welche Proteine in den Zellen diese Arzneimittelresistenz wahrscheinlich antreiben. Die Forscher/-innen hoffen, dass dieses Wissen genutzt werden kann, um bessere Therapien gegen Krebs oder Arzneimittelresistenz für die Zukunft zu entwickeln.

„Es wird immer deutlicher, dass die Analyse der Zellmorphologie mithilfe von Deep-Learning-Algorithmen verwendet werden kann, um Tumore in klinischen Gewebescans zu identifizieren und zu klassifizieren. Wir kratzen jedoch nur an der Oberfläche hinsichtlich der klinischen Auswirkungen. Wir glauben, dass die Morphologie in Zukunft hier eine Ergänzung darstellen kann und vielleicht sogar genetische Analysen von Tumoren bei der Entdeckung besserer Krebstherapien ersetzen kann“, sagt Rune Linding, leitender Forscher des REWIRE-Projekts an der HU.

 

Literatur:

James Longden, Xavier Robin, Mathias Engel, et al.: Deep neural networks identify signaling mechanisms of ErbB-family drug resistance from a continuous cell morphology space. Cell Reports, Volume 34, ISSUE 3, 108657, January 19, 2021, DOI: doi.org/10.1016/j.celrep.2020.108657.

 

Quelle: idw/Humboldt-Universität zu Berlin