23948sdkhjf

AI hjälper till att kartlägga biologiska processer

Forskare vid Göteborgs universitet har med hjälp av AI i detalj kartlagt på vilket sätt celler och partiklar rör sig i levande materia. Studien presenteras i det senaste numret av Nature Machine Intelligence.

Vad händer egentligen när celler och partiklar är ute och rör på sig? Går de raka vägen till målet? Tekniken i optiska mikroskop har förfinats de senaste decennierna, vilket nu gör det möjligt att studera olika biologiska processer under fysiologiska förhållanden. Med den förfinade tekniken följer att mängden data ökat kraftigt.

För att kunna analysera den stora datamängden har forskarna utvecklat en algoritm som använder sig av neurala nätverk i kombination med så kallad grafteori. Grafteori kan förenklat förklaras med att en graf i det här fallet består av två mängder. Den ena mängden utgörs av punkter, och den andra mängden beskriver sträckorna mellan punkterna. Tänk på en vanlig karta. Punkterna beskriver orter eller städer, och sträckorna är de vägar som går mellan städerna. Utifrån dessa data kan man ta reda på den kortaste resvägen mellan två orter, eller vilka vägar som är bäst att ta om man vill besöka flera olika orter.

För att sedan krångla till det, eftersom det handlar om biologiska processer, så rör sig inte celler eller partiklar på ett välordnat sätt, på speciella sträckor mellan olika förutbestämda punkter. Celler och partiklar är mer rebelliska och rör sig i alla möjliga riktningar och i olika hastighet. Dessutom interagerar och påverkar de varandras beteende direkt och indirekt.

– AI-metoden använder informationen i grafen för att anpassa sig till olika situationer och kan lösa flera uppgifter i olika experiment. Till exempel kan vår AI rekonstruera vägen som enskilda celler eller molekyler tar när de rör sig för att uppnå en viss biologisk funktion. Det gör att forskare kan testa effektiviteten hos olika läkemedel och se hur väl de fungerar som potentiella behandlingar för cancer, säger Jesús Pineda, doktorand vid institutionen för fysik, Göteborgs universitet, i ett pressmeddelande.

Läs studien:
Pineda et al, Geometric deep learning reveals the spatiotemporal features of microscopic motion, Nature Machine Intelligence (2023), doi.org/10.1038/s42256-022-00595-0

Kommentera en artikel
Utvalda artiklar

Nyhetsbrev

Sänd till en kollega

0.062