Sztuczna inteligencja pozwoliła naukowcom zajrzeć w głąb raka piersi z dokładnością pojedynczej komórki. Narzędzie CenSegNet opracowane przez badaczy z Uniwersytetu w Southampton ujawniło dwa odrębne rodzaje nieprawidłowości centrosomów – struktur ważnych dla prawidłowego podziału komórek. Co istotne, jeden z tych defektów wiązał się z bardziej agresywnymi cechami nowotworu. Wyniki opublikowano w „Nature Communications”.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja CenSegNet pozwoliła analizować nieprawidłowości centrosomów z rozdzielczością pojedynczej komórki i odkryć wzorce niewidoczne przy wcześniejszych metodach badania tkanek.
- Jakie są wyniki analizy obejmującej ponad 330 tys. centrosomów z 911 próbek guzów pobranych od 127 pacjentek z rakiem piersi.
- Jakie są dwa niezależne rodzaje defektów centrosomów wykryli naukowcy oraz dlaczego powiększone centrosomy mogą mieć szczególne znaczenie kliniczne.
- Jak CenSegNet może w przyszłości wspierać rozwój biomarkerów, ocenę agresywności raka piersi i bardziej spersonalizowane leczenie.
AI przeanalizowała ponad 330 tys. centrosomów
Centrosomy pełnią w komórkach funkcję centrów organizacyjnych. Uczestniczą m.in. w organizacji mikrotubul, podziale komórkowym i utrzymaniu prawidłowej struktury komórki. Ich zaburzenia od dawna obserwuje się w nowotworach, jednak dokładna analiza tych niewielkich struktur w dużych fragmentach tkanek była dotychczas bardzo trudna.
Naukowcy z Uniwersytetu w Southampton opracowali CenSegNet – platformę wykorzystującą sztuczną inteligencję do automatycznej analizy centrosomów. Narzędzie umożliwia badanie setek tysięcy komórek oraz tworzenie przestrzennych map nieprawidłowości występujących w różnych obszarach guza. We współpracy ze Szpitalem Uniwersyteckim w Southampton zespół przeanalizował ponad 330 tys. centrosomów w 911 próbkach guzów pochodzących od 127 pacjentek z rakiem piersi. Dr Salah Elias, który kierował badaniami na Wydziale Nauk Biologicznych i w Instytucie Nauk Biologicznych Uniwersytetu w Southampton, powiedział:
Od ponad wieku nieprawidłowości centrosomów są uznawane za cechę charakterystyczną raka, ale badanie ich w tkankach pacjentów jest niezwykle trudne. Centrosomy działają jak centra organizacyjne komórek, pomagając im prawidłowo się dzielić i utrzymywać swoją strukturę. Kiedy centrosomy stają się nieprawidłowe, komórki mogą akumulować błędy genetyczne – cechę charakterystyczną raka. CenSegNet umożliwia nam analizę tych defektów z rozdzielczością pojedynczej komórki w całych guzach i odkrywanie wzorców, które wcześniej były niemożliwe do zaobserwowania.
Sztuczna inteligencja wykryła dwa różne rodzaje defektów
Analiza ujawniła, że nieprawidłowości centrosomów, które wcześniej traktowano jako element jednego procesu, w rzeczywistości występują w dwóch odrębnych formach. Pierwsza polega na obecności zbyt wielu centrosomów w komórce. Druga dotyczy natomiast ich nieprawidłowego powiększenia. Co szczególnie istotne, oba zjawiska zachowywały się niezależnie i mogły dominować w różnych częściach tego samego guza.
Oznacza to, że nie tylko liczba nieprawidłowych centrosomów może mieć znaczenie biologiczne. Ważny może być również ich rozmiar, a także przestrzenne rozmieszczenie komórek posiadających określony rodzaj defektu.
Powiększone centrosomy związane z bardziej agresywnym rakiem
Naukowcy wykryli również zależności między określonymi nieprawidłowościami centrosomów, a klinicznymi cechami raka piersi. Guzy zawierające wysoki poziom powiększonych centrosomów częściej wykazywały cechy związane z bardziej agresywną chorobą. Dotyczyło to m.in. wyższego stopnia złośliwości, zajęcia węzłów chłonnych oraz określonych zmian genetycznych. Jednocześnie pacjentki, których guzy zawierały mniej powiększonych centrosomów w rdzeniu guza, miały tendencję do lepszego przeżycia całkowitego. Wyniki wskazują więc, że charakter i lokalizacja defektów centrosomów mogą nieść dodatkowe informacje dotyczące biologii nowotworu.
Zamiast postrzegać nieprawidłowości centrosomu jako pojedyncze zjawisko, nasze badanie pokazuje, że mają one odrębne stany biologiczne z różnym rozkładem przestrzennym i powiązaniami klinicznymi. Konkretne kombinacje defektów mogą wpływać na wzrost guza, jego naciekanie na otaczające tkanki i reakcję na leczenie. Otwiera to drogę do opracowania nowych biomarkerów i, ostatecznie, bardziej spersonalizowanych strategii leczenia – dodał dr Salah Elias.
CenSegNet może pomóc w rozwoju onkologii precyzyjnej
CenSegNet nie jest jeszcze narzędziem przeznaczonym do rutynowej diagnostyki klinicznej. Wyniki pokazują jednak kilka potencjalnych kierunków jego przyszłego zastosowania. Przestrzenne mapowanie defektów centrosomów mogłoby uzupełnić obecnie stosowane metody oceny raka piersi i pomagać w identyfikacji nowotworów o szczególnie agresywnej biologii. Jednocześnie mogłoby dostarczać informacji o heterogeniczności guza, czyli różnicach występujących pomiędzy jego poszczególnymi obszarami.
Ma to znaczenie również dla onkologii precyzyjnej. Część rozwijanych obecnie leków oddziałuje na białka kontrolujące funkcjonowanie centrosomów. Jeżeli określone rodzaje defektów okażą się wiarygodnymi biomarkerami, w przyszłości mogą pomagać w kwalifikowaniu pacjentek do terapii wykorzystujących konkretne słabości komórek nowotworowych.
AI może pokazać, jak różne części guza ewoluują
Badanie zwraca uwagę na jeszcze jeden problem – rak piersi nie jest jednorodną masą identycznych komórek. Poszczególne obszary tego samego guza mogą różnić się właściwościami biologicznymi, a tym samym potencjałem do wzrostu, naciekania, tworzenia przerzutów czy rozwoju oporności na leczenie.
Możliwość analizowania pojedynczych struktur komórkowych w skali całej tkanki może pomóc naukowcom lepiej zrozumieć tę wewnętrzną różnorodność nowotworu. CenSegNet może być przy tym wykorzystywany nie tylko w raku piersi. Badacze zastosowali już technologię do analizy próbek nerek, jelita grubego oraz wyrostka robaczkowego. Dodatkową zaletą jest udostępnienie CenSegNet jako oprogramowania open source, co umożliwia innym zespołom badawczym rozwijanie i testowanie tego rozwiązania.
Kolejny krok: połączenie obrazu komórek z danymi molekularnymi
Naukowcy planują teraz połączyć informacje uzyskiwane przez CenSegNet z danymi genomicznymi, transkryptomicznymi i proteomicznymi. Celem jest ustalenie, czy wzorce nieprawidłowości centrosomów mogą stać się biomarkerami przydatnymi przy podejmowaniu decyzji terapeutycznych.
Jeśli wyniki zostaną potwierdzone w kolejnych badaniach, analiza centrosomów może dostarczać dodatkowych informacji o agresywności i ewolucji raka, a w przyszłości również o prawdopodobnej odpowiedzi na określone metody leczenia.
Sztuczna inteligencja odkrywa nowy poziom różnorodności raka piersi
Badanie naukowców z Southampton pokazuje, że sztuczna inteligencja może ujawniać różnice biologiczne, które pozostawały trudne do wykrycia przy wykorzystaniu tradycyjnych metod analizy tkanek. Rozróżnienie dwóch niezależnych typów nieprawidłowości centrosomów oraz powiązanie powiększonych centrosomów z bardziej agresywnymi cechami raka piersi otwiera nowe kierunki badań nad biomarkerami i terapiami precyzyjnymi.
Na razie CenSegNet pozostaje narzędziem badawczym. Jednak możliwość analizowania setek tysięcy struktur komórkowych i ich rozmieszczenia w obrębie całego guza może w przyszłości pomóc lepiej przewidywać zachowanie nowotworu i dokładniej dopasowywać leczenie do jego biologii.
Główne wnioski
- Naukowcy z Uniwersytetu w Southampton wykorzystali platformę AI CenSegNet do analizy ponad 330 tys. centrosomów w 911 próbkach guzów od 127 pacjentek z rakiem piersi.
- Sztuczna inteligencja ujawniła dwa odrębne typy nieprawidłowości centrosomów: nadmierną liczbę tych struktur w komórkach oraz ich nieprawidłowe powiększenie. Defekty te mogą występować niezależnie i różnić się rozmieszczeniem w obrębie tego samego guza.
- Wysoki poziom powiększonych centrosomów wiązał się z bardziej agresywnymi cechami raka piersi, m.in. wyższym stopniem złośliwości, zajęciem węzłów chłonnych i określonymi zmianami genetycznymi.
- CenSegNet nie jest jeszcze gotowy do rutynowego zastosowania klinicznego, ale może pomóc w opracowaniu nowych biomarkerów, badaniu heterogeniczności guzów oraz rozwoju bardziej precyzyjnych strategii leczenia.
Źródło:
- https://www.nature.com/articles/s41467-026-75393-y
