Нейросеть ускоряет поиск клеточных уязвимостей меланомы

Нейросеть ускорила анализ клеток меланомы в 15 раз — но главное открытие скрыто не в скорости

Электронная микроскопия видит структуру клетки, но создает новую проблему — слишком много данных

Современная биология умеет получать чрезвычайно детальные изображения внутреннего устройства клетки. Трансмиссионная электронная микроскопия позволяет различать структуры размером в десятки нанометров — масштаб, на котором становятся видны мембраны клеточных органелл и области их непосредственного сближения.

Но получение изображения — только начало исследования. Чтобы превратить микрофотографию в количественные данные, необходимо определить границы интересующих структур, подсчитать их число, измерить размеры и расстояния между ними. Если таких изображений сотни, ручная разметка превращается в самостоятельный этап эксперимента.

Именно эту задачу попыталась автоматизировать группа исследователей из Института цитологии и генетики СО РАН, НИИ клинической и экспериментальной лимфологии и других научных организаций. Результаты опубликованы в мае 2026 года в Journal of Imaging.

Авторы обучили модель глубокого обучения распознавать на электронно-микроскопических изображениях клеток мышиной меланомы несколько внутриклеточных структур, прежде всего митохондрии и эндоплазматический ретикулум. Такой процесс называется сегментацией изображения: алгоритм должен не просто обнаружить объект, а определить, какие именно пиксели принадлежат конкретной клеточной структуре.

После этого становится возможен автоматический количественный анализ.

По данным исследователей, обработка одного изображения, которая вручную занимала около 20–30 минут, с помощью разработанной системы выполняется примерно за две минуты. Таким образом, скорость анализа увеличивается приблизительно в 10–15 раз.

Митохондрии и эндоплазматический ретикулум работают не по отдельности

Выбор объектов для анализа принципиален. Митохондрии обычно описывают как структуры, обеспечивающие клетку энергией, а эндоплазматический ретикулум — как внутриклеточную сеть, участвующую в синтезе белков и липидов и служащую важным хранилищем кальция. Однако внутри клетки эти системы не изолированы.

В определенных местах их мембраны подходят друг к другу на очень небольшое расстояние, не сливаясь. Такие участки называют контактами митохондрий и эндоплазматического ретикулума. В научной литературе для них используется обозначение MERCs — mitochondria–endoplasmic reticulum contact sites. С функциональной точки зрения с ними тесно связано понятие митохондриально-ассоциированных мембран, или MAMs.

Это не случайные точки соприкосновения, а своеобразные внутриклеточные узлы связи.

Через них регулируются передача кальция, обмен липидами, работа митохондрий, образование активных форм кислорода, аутофагия — система переработки поврежденных компонентов клетки — и апоптоз, то есть программируемая клеточная гибель.

Особенно важен обмен кальцием. Эндоплазматический ретикулум способен передавать ионы кальция митохондриям, а концентрация кальция внутри митохондрий влияет одновременно на энергетический обмен и на решение клетки продолжать существование или запускать программу гибели.

Именно поэтому расстояние между двумя органеллами, протяженность их контактов и состояние расположенных там белковых комплексов могут иметь биологическое значение.

Опухоль может перестраивать внутриклеточные контакты под собственное выживание

Связь контактов между митохондриями и эндоплазматическим ретикулумом с раком исследуется уже не первый год. Международные обзоры последних лет показывают, что опухолевые клетки способны изменять структуру и функции этих контактных зон.

Это дает им несколько потенциальных преимуществ.

Опухолевая клетка живет в неблагоприятной среде: ей приходится справляться с недостатком кислорода и питательных веществ, окислительным стрессом, иммунным давлением и действием лекарств. Перестройка взаимодействия митохондрий и эндоплазматического ретикулума может помогать ей адаптировать энергетический обмен, контролировать стрессовые реакции и повышать порог запуска апоптоза.

Поэтому представление о том, что нарушение одного конкретного контакта просто заставляет раковую клетку «забыть» команду к самоуничтожению, было бы слишком прямолинейным.

Современная картина сложнее. Контактные зоны одновременно участвуют в процессах, способных поддерживать как выживание, так и гибель клетки. Их роль зависит от типа опухоли, метаболического состояния клетки, состава белков в контактной области и воздействия терапии.

Именно эта контекстная зависимость делает направление интересным для онкологии — и одновременно усложняет поиск лекарственных мишеней.

Компьютерное зрение превращает микрофотографию из картинки в измеряемый фенотип

Главная ценность разработанной нейросети состоит не в том, что она «видит рак». Она этого не делает.

Алгоритм автоматизирует конкретную исследовательскую операцию: выделяет клеточные структуры на изображении и позволяет количественно характеризовать их взаимное расположение. Исследователь получает не только микрофотографию, но и набор измеряемых параметров.

Это существенно меняет масштаб эксперимента.

Если ручная обработка сотен изображений требует недель или месяцев работы, автоматизация позволяет анализировать значительно большие массивы данных и сравнивать, например, как структура контактов меняется после воздействия экспериментального препарата, при различных состояниях опухолевой клетки или между разными группами образцов.

Авторы создали на основе модели веб-сервис: пользователь может загрузить изображение и получить таблицу с рассчитанными параметрами.

Подобная автоматизация соответствует более широкой тенденции в биомедицинской науке. Искусственный интеллект все чаще используется не вместо исследователя и не для непосредственного назначения лечения, а на промежуточном этапе — для превращения огромного массива изображений в воспроизводимые количественные данные.

Для клеточной биологии это особенно важно: человеческая оценка сложных микроскопических изображений трудоемка и неизбежно содержит элемент субъективности.

Самой трудной задачей для алгоритма оказалась несовершенная реальность

Для обучения системы использовали сотни изображений клеток мышиной меланомы. Выбор этой модели был практическим: исследовательская группа давно работает с ней и располагала достаточным количеством материала для формирования обучающего набора данных.

Но электронно-микроскопические изображения значительно сложнее стандартных фотографий, на которых обычно демонстрируются возможности компьютерного зрения.

На них могут присутствовать дефекты подготовки образца, разрывы, неоднородность контраста и нечеткие границы структур. Кроме того, митохондрии и эндоплазматический ретикулум имеют сложную форму и могут занимать лишь небольшую часть изображения.

Поэтому задача алгоритма состоит не просто в распознавании знакомого объекта. Он должен научиться выделять биологически значимые структуры на фоне технических артефактов и естественной вариабельности клеток.

Именно здесь находится одно из принципиальных ограничений подобных технологий: модель настолько надежна, насколько репрезентативны данные, на которых она обучалась и независимо проверялась.

От мышиной меланомы до опухоли человека остается большой путь

Ускорение анализа в 10–15 раз выглядит впечатляюще, но оно характеризует производительность исследовательского инструмента, а не его клиническую эффективность.

Модель создавалась на изображениях клеток мышиной меланомы. Пока нельзя считать установленным, что она с той же точностью сможет анализировать другие опухоли, человеческие ткани или изображения, полученные в другой лаборатории и на другом оборудовании.

Это особенно важно для искусственного интеллекта в биомедицинских изображениях. Алгоритм может хорошо работать на данных, похожих на обучающие, и заметно терять качество при изменении способа подготовки образцов, параметров микроскопии или морфологии ткани.

Авторы поэтому планируют проверить технологию на других опухолях и образцах тканей человека.

Еще одно ограничение связано с самой биологической гипотезой. Контакты между митохондриями и эндоплазматическим ретикулумом действительно рассматриваются как потенциальные терапевтические уязвимости опухолевых клеток, однако из этого не следует, что изменение любого обнаруженного параметра автоматически приведет к созданию лекарства.

Сначала необходимо установить, какие изменения являются причиной устойчивости опухоли, какие — ее следствием, а какие представляют собой адаптацию, не имеющую самостоятельной терапевтической ценности.

Ускорение морфометрии может изменить сам способ поиска противоопухолевых мишеней

Практическое значение работы проявится прежде всего в фундаментальных и доклинических исследованиях.

Если автоматический анализ окажется воспроизводимым на разных наборах данных, исследователи смогут быстрее проверять гипотезы о том, как экспериментальные воздействия меняют архитектуру клетки. Вместо ручного изучения относительно небольшого числа изображений появляется возможность количественно сравнивать большие серии образцов.

Для разработки лекарств это потенциально важно по другой причине. Многие перспективные мишени обнаруживаются не как отдельный «сломанный» белок, а как нарушение целой клеточной системы. Контакты между органеллами относятся именно к таким системам: здесь пересекаются энергетика, кальциевый обмен, стрессовые реакции и механизмы клеточной гибели.

Автоматизированная морфометрия может помочь связать молекулярные изменения с физической архитектурой клетки и увидеть, какие вмешательства действительно перестраивают эту систему.

Но следующим необходимым этапом станет не дальнейшее увеличение скорости обработки изображений, а биологическая проверка найденных закономерностей: на других опухолевых моделях, человеческих тканях и, в перспективе, при воздействии потенциальных лекарственных соединений.