Projektu līdzfinansē REACT-EU finansējums pandēmijas krīzes seku mazināšanai
Projekta nosaukums: „Orgānu uz čipa kultivēšana ar mākslīgā intelekta metodēm personalizētas medicīnas nolūkos (AImOOC)”
Projekts tiek veikts Eiropas Reģionālā attīstības fonda (ERAF) 1.1.1.1. pasākuma “Praktiskas ievirzes pētījumi” 5. kārtas ietvaros.
Projekta identifikācijas Nr.: 1.1.1.1/21/A/079
Projekta izpildes termiņš: 2022. gada 1. janvāris – 2023. gada 30. novembris
Projekta kopējais finansējums: 500 000,00 EUR
Projekta īstenotājs: Elektronikas un datorzinātņu institūts
Sadarbības partneris: Latvijas Biomedicīnas pētījumu un studiju centrs
Sadarbības partneris: SIA „Cellboxlab”
Projekta zinātniskais vadītājs BMC: Dr. biol. Artūrs Ābols
Projekta kopsavilkums:
Šis projekts ir vērsts uz mašīnmācīšanās algoritma izstrādi, lai uzlabotu pacientu iegūto šūnu kultivēšanu orgānu čipu ierīcēs. Šāda algoritma izstrāde ļautu čipu ierīcēs plašāk izmantot pacientu iegūto materiālu, tādējādi ļaujot zinātniekiem akadēmiskajā vidē un rūpniecībā iegūt reprezentatīvākas modeļu sistēmas. Tāpēc projekta mērķis ir piemērot mašīnmācīšanās (ML) mikrofluidikai, pamatojoties uz atstarotās gaismas mikroskopiju, TEER (Trans Epithelial Electric Resistance) un O2 biosensoru datiem reālā laikā, lai OOC platformā audzētu dažādas šūnu kultūras (ieskaitot tās, kas iegūtas no pacientu paraugiem). Lai sasniegtu šo mērķi, mēs esam definējuši šādus uzdevumus: (1) orgānu čipu šūnu datu ģenerēšana, (2) Atstarotās gaismas mikroskopijas sistēmas izstrāde orgānu čipu uzraudzībai reālā laikā, (3) ML balstīta datora redzes algoritmu izstrāde, lai apstrādātu ģenerētos datus mikrofluidikai, un visbeidzot (4) izstrādātā algoritma apstiprināšana orgānu čipu ierīcēs, izmantojot šūnas, kas iegūtas no pacienta paraugiem. Projekta galvenie rezultāti ir: (1) dati attēlu un sensoru rādījumu veidā, kas nolasīti no plaušu un zarnu šūnu audzēšanas, izmantojot dažādus plūsmas parametrus, (2) kustīgās ass un čipu attēlveidošanas sistēmas izstrāde izmantošanai kultūras kamerā, (3) uz ML balstīta sistēma šūnu kultivēšanas automatizēšanai un visbeidzot (4) no pacientiem iegūto šūnu kultivēšana orgānu čipu sistēmās, ko kontrolē izstrādātais ML algoritms.
Informācija ievietota 03.01.2022.
Projekta progress:
- gada 1. janvāris – 2022. gada 31. marts
Šajā pārskata periodā esam izstrādājuši lēmumu koku datu klasifikācijai un izveidojuši pirmos datus par veiksmīgiem un neveiksmīgiem OOC audzēšanas eksperimentiem, lai izstrādātu AI modeļus OOC audzēšanas uzraudzībai. Mēs identificējām iespējamās pieejas sintētisko datu ģenerēšanai AI modeļu apmācībai. Ņemot vērā reālo datu raksturu, visdaudzsološāk pieeja ir sintētisko datu ģenerēšana, ģenerējot vienkāršas ģeometriskas formas un pēc tam tās deformēt. Šobrīd mēs veicam literatūras analīzi par šo tēmu. Mēs esam izpētījuši dažādu kompāniju objektīvus/kameras integrēšanai instrumentā, īpašu uzmanību pievēršot attēla kvalitātes, digitālām iespējām un apgaismojuma apstākļiem. Mēs esam sākuši darbu pie iepirkuma specifikācijas noteikšanas XYZ galdiņam ar piemērotu XY soli nepārtrauktai kanālu novērošanai un Z-soli veiksmīgai automātiskai fokusēšanai. Turklāt šajā laika posmā mēs iesaistījāmies projekta tēmas publicēšanā Rīgas Tehniskās universitātes studentu padomes organizētajā tiešsaistes intervijā Spiikiizi studijā ar nosaukumu “Kas būtu, ja?”.
Informācija publicēta 31.03.2022.
Projekta progress:
- gada 1. aprīlis – 2022. gada 30. jūnijs
Šajā pārskata periodā mēs esam izveidojuši papildus 230 attēlus gan plaušu, gan zarnas uz čipa modeļiem, izmantojot gan stabilās, gan primārās šūnu līnijas. Katram attēlam tika sagatavota informācija, par modeļa ID, šūnas tipu, sēšanas blīvumu, attēla laiku, lēmumu (labs, slikts, pieņemams) un artefaktiem. EDI veica literatūras analīzi par jaunākajām pieejām bioloģisko šūnu sintētisko attēlu ģenerēšanai, deformējot vienkāršas ģeometriskas formas. Tika pētīta ģenerējošo tīklu-pretinieku (GAN) izmantošana sintētisku attēlu transformēšanai (tulkošanai) uz reāliem, kas ir nepieciešama, lai padarītu sintētiskos attēlus reālistiskākus. CellboxLabs veica vairāku stundu intervijas ar potenciālajiem gala lietotājiem nozarē par OOC reāla laika mikroskopijas iespēju kombinācijā ar AI, lai apstiprinātu šādas sistēmas nepieciešamību. Turklāt CellboxLabs iegādājās mikroskopus, lai ar tiem sāktu veikt testus. Viņi iegādājās XYZ galda daļas un šobrīd strādā pie XYZ galda dizaina, kas ļautu mums izveidot XYZ kustības sistēmu ar nelielām pozīcijas kļūdām.
Informācija publicēta 30.06.2022.
Projekta progress:
- gada 1. jūlijs – 2022. gada 30. septembris
Šajā pārskata periodā LBMC ir izveidojuši papildus 250attēlus gan plaušu, gan zarnas uz čipa modeļiem, izmantojot gan stabilās, ganprimārās šūnu līnijas. Katram attēlam tika sagatavota informācija, par modeļaID, šūnas tipu, sēšanas blīvumu, attēla laiku, lēmumu (labs, slikts, pieņemams)un artefaktiem. EDI veica izpēti par dziļo neironu tīklu modeļu arhitektūrām, piemeklējot AimOOC uzdevumam atbilstošāko. Tika meklēti arī modeļi, kas priekštrennēti uz medicīnas attēliem. Tika apmācīts klasifikācijas modelis uz pirmajiem datiem, kas saņemti no partneriem, secinot, ka labam rezultātam nepieciešami papildus dati. Tādēļ tika arī izpētītas un apkopotas datu paplašināšanas iespējas, kas ļaus sintētiski pavairot apmācības piemērus. Cellbox Labs projekta ietvaros ir noslēguši līgumu un veikta precīzijas XYZ galdiņa projektēšana. Ir uzsākta XYZ galdiņa konstruēšana.
Informācija publicēta 30.09.2022.
Projekta progress:
- gada 1. oktobris– 2022. gada 31. decembris
EDI pētīja apmācības datu uzlabošanas un pavairošanas metodes. Tika apkopotas un analizētas dažādās Python bibliotēkās un ietvaros iekļautās paplašināšanas metodes, izvēloties un testējot projekta attēliem vislabāk piemērotās. Turpināts darbs pie sintētisku medicīnas datu ģenerēšanas, apzinot ne tikai ģenerējošo tīklu-pretinieku lietošanu, bet arī modernāku difūzijas modeļu lietošanu. Sagatavots algorimts datu kopas paplašināšanai. Šajā ziņošanas periodā CellBoxLabs ir izveidojis papildus orgāni uz čipa ierīcēs, savukārt LBMC ir izveidojis papildus attēlus ar plaušu vēzis uz čipa modeļos, izmantojot gan stabilas, gan primārās šūnu līnijas. Katram attēlam tik sagatavota arī informācijai, piemēram, modeļa ID, šūnu tips, sēšanas blīvums, attēla laiks, lēmums (labs, slikts, pieņemams). Cellbox Labs ir arī izveidojuši programmatūru, lai kontrolētu xy galdiņu un uzņemto foto attēlus.
Kā arī projekta dalībnieki piedalījās radio pārraidē – Zināmais nezināmajā: Pirmsklīniskie pētījumi – orgāni uz čipa un laboratoriju peles, kur viņi plašai sabiedrībai paskaidroja populārajā zinātniskajā valodā par attīstītajām tehnoloģijām.
Informācija publicēta 30.12.2022.
Projekta progress:
2023. gada 1. janvāris – 2023. gada 31. marts
Noslēdzot darbu pie datu augmentācijas metodes, EDI turpina darboties pie klasifikācijas modeļu apmācības, sadalot pieejamos šūnu attēlus pēc laika un šūnu līnijām, atbilstoši iepriekš izstrādātajam lēmumu kokam. Rezultātu uzlabošanai, šobrīd notiek darbs piesekojošiem uzdevumiem:
- attēli tiek apmācīti, sadalot tos mazākās vienībās – četrstūros, nezaudējot attēla detaļas un palielinot attēlu skaitu;
- tiek veikts darbs pie sintētisko attēlu ģenerēšanas ar Stabilas difūzijas palīdzību, lai palielinātu datu apjomu un līdz ar to arī klasifikatora precizitāti.
Šajā periodā Cellbox Labs ir izveidojis 32 papildu orgānu čipu iekārtas un uzsāka darbu pie 4.1. uzdevuma programmaparatūras integrācijas ar algoritmu, kā arī turpināja darbu pie TEER un skābekļa sensoriem. Lai paātrinātu ar algoritmu vadīto plūsmas ātruma regulējumu sākotnējo pielietojumu, tiks izveidots īpašs lietotāja interfeiss vēlamā plūsmas ātruma manuālai ievadīšanai. EDI izstrādātais AI algoritms pašlaik izmanto plūsmas ātruma datus, nevis bīdes spēka datus attēla marķēšanā, tāpēc pirmajā interfeisa versijā tiks izmantoti plūsmas ātruma dati.
LBMC izveidoja papildus 900 gaismas mikroskopa (BF) attēlus, izmantojot esošās plaušas uz čipa, plaušu vēzis uz čipa un zarnas uz čipa, izmantojot WP2 izstrādāto vizualizācijas sistēmu. Turklāt tika izveidoti arī BF attēli un Hoechst krāsojums, kas pārklājās ar BF attēliem, lai palīdzētu algoritmā izstrādē.
Turklāt CellboxLabs piedalījās divos LBMC un Rīgas Tehniskās Universitātes rīkotajos semināros. Pirmais seminārs bija par biomedicīnas pētījumu lomu zināšanu ekonomikā un biotehnoloģiju jaunuzņēmumu veiksmes stāstiem, bet otrais seminārs bija veltīts pārejai no universitātes uz industriju. Šajos semināros CellboxLabs iepazīstināja ar savām projektu idejām un virzienu plašākai zinātnes un industrijas auditorijai.
Informācija publicēta 31.03.2023.
Projekta progress:
- gada 1. aprīlis – 2023. gada 30. jūnijs
Šajā laikā tika uzģenerēts papildus 1601 attēls, kultivējot zarnas, plaušas un plaušu vēzi uz čipa no stabilām un primārajām šūnām. Visi attēli tika klasificēti pēc noteiktiem kritērijiem. EDI strādāja pie attēlu klasifikatoru precizitātes uzlabošanas. Tika trenētas dažādas dziļo neironu tīklu arhitektūras, izmantojot gan ar klasiskām datu paplašināšanas metodēm papildinātos datus, gan ar difūzijas modeļiem sintezētos attēlus. Saņemot jaunus datus no partneriem, EDI veidoja arī jaunas apmācībai izmantojamas datukopas, arvien paplašinot arī apmācībā izmantoto reālo attēlu skaitu. Apmācīti modeļi validāti uz reāliem attēliem, un šo eksperimentu rezultāti aprakstīti konferences rakstā “Synthetic Image Generation With a Fine-Tuned Latent Diffusion Model for Organ on Chip Cell Image Classification”, kas pieņemts konferencē SPA 2023: Signal Processing – Algorithms, Architectures, Arrangements, and Applications. Sintētisko datu uzlabošanai, EDI pētīja papildus attēlu ģenerēšanas pieejas, kas joprojām balstās uz difūsijas modeļiem, bet sintezē attēlus nevis no nejauša trokšņa, bet gan modificē esošos reālos attēlus. Strādājot pie apmācīto modeļu integrācijas ar projektā izstrādāto prototipu, EDI pētījā iegulto skaitļošanas platformu parametrus, lai nonāktu līdz prototipā izmantojamam variantam. Papildus tika ziņots par projekta tēmu un rezultātiem mutiskā prezentācijā LU PSK 3. starptautiskajā zinātniskajā konferencē “Veselības aprūpes un sociālās labklājības kvalitāte” un MPS pasaules samita 2023 posteru sesijā. Tika uzsākti pirmie OOC audzēšanas testi, pielietojot izveidoto algoritmu.
Informācija publicēta 30.06.2023.
Projekta progress:
- gada 1. jūlijs – 2023. gada 30. septembris
Šajā periodā mēs ieguvām papildus 1857 mikroskopijas attēlus dažādos laika punktos algoritma optimizēšanai no plaušu vēža, normālām plaušu un endotēlija šūnu līnijām.
EDI strādāja pie klasifikācijas algoritma optimizācijas, pielietojot vairākas attēlu ģenerēšanas pieejas apmācības datu paplašināšanai. Izmantojot uz Stabilo Difūziju balstītās iezīmēšanas, LoRA apmācības un attēlu interpolācijas pieejas, tika izveidotas vairākas paplašinātas datu kopas, un iesākta uz tām trenēto klasifikācijas modeļu validācija.
Zinātnieku nakts 2023 ietvaros EDI un LBMC prezentēja AimOOC projekta mērķus un līdz šim iegūtos rezultātus.
Visbeidzot, CellboxLabs CEO sniedza interviju žurnālā Forbes par tehnoloģijām, ko uzņēmums attīsta, CTO viesojās Rīgas Tehniskās Universitātes Inženieru skolā, kur viņš skolēniem skaidroja mūsu tehnoloģijas un projekta vadītājs Artūrs Ābols sniedza interviju startin.lv, lai informētu industrijas pārstāvjus un žurnālam Medicus Bonus, lai informētu ārstus par orgāni uz čipa tehnoloģiju un pielietojumu šī projekta ietvaros.
Informācija publicēta 02.10.2023.
Projekta progress:
- gada 1. oktobris– 2023. gada 30. novembris
Projekta laikā mēs veiksmīgi uzņēmām vairāk nekā 4000 gaismas mikroskopa attēlu gan no veiksmīgiem, gan neveiksmīgiem eksperimentiem, kuros bija iesaistīti orgāni uz čipa (OOC) modeļi, kas iegūti no sešām atšķirīgām šūnu līnijām dažādos laika punktos. Šie attēli ir publiski pieejami repozitorijā, tādējādi uzlabojot mūsu datu pieejamību. Turklāt mūsu komanda ir iesniegusi visaptverošu rakstu, kurā sīki aprakstīta mūsu datu vākšanas metodoloģiju.
Papildus mūsu attēlveidošanas sasniegumiem mēs esam izstrādājuši reālā laika gaismas mikroskopa attēlveidošanas sistēmu, kas īpaši izstrādāta OOC pielietojumam. Šī novatoriskā sistēma tika efektīvi izmantota visa projekta laikā. Turklāt mēs izveidojām mašīnmācīšanās algoritmu, kas pielāgots iegūto attēlu, kā arī sintētiski ģenerēto attēlu analīzei. Šī algoritma izstrāde un iespējamie pielietojumi ir aprakstīti atsevišķā rakstā, ko esam iesnieguši.
Tika sasniegts nozīmīgs rezultāts, kad mēs pārbaudījām šo algoritmu un ar to saistītos automatizētos lēmumu pieņemšanas procesus pacientu atvasinātos iPSC plaušu uz čipa un plaušu vēža uz čipa modeļos. Šo testu rezultāti ir noveduši pie secinājuma, ka, lai gan modelis, kas balstīts uz stabilām šūnu līnijām, ir stabils, tas prasa turpmāku pilnveidošanu, izmantojot datus, kas iegūti teši no pacientu modeļiem.
Mūsu projekta sasniegumi tika prezentēta trīs starptautiskās konferencēs, kurās mūsu komanda prezentēja rezultātus un metodiku. Turklāt mēs sagatavojām un iesniedzām divus pētniecības rakstus, piedāvājot dziļāku ieskatu mūsu atklājumos. Tika apkopots un iesniegts arī projekta noslēguma ziņojums, kurā ietverts detalizēts visu veikto uzdevumu un to rezultātu pārskats, kas liecina par šī vērienīgā projekta veiksmīgu pabeigšanu.
Informācija publicēta 30.11.2023.