Митохондрии долгое время представляли как отдельные бобовидные частицы внутри клетки. На самом деле это живая, постоянно меняющаяся сеть, которая делится, сливается и перемещается туда, где энергия нужнее всего. Эта изменчивость делает митохондрии перспективным маркером для диагностики и поиска лекарств — но до сих пор их изучали в основном по плоским снимкам, не дающим представления о динамике.
Группа ученых из США применила 4D-решетчатую световую микроскопию, фиксирующую движение органелл в трех измерениях с течением времени. На этой базе построили два типа виртуальных клеток.
Первый подход — модель глубокого обучения MitoSpace. Ее обучили на 40 000 4D-видеозаписях клеток, обработанных 25 соединениями, действующими на митохондрии разными механизмами. Без ручной разметки модель создала упорядоченную карту, группируя клетки со схожими реакциями. Точность распознавания препаратов по механизму действия составила 75% против 56% при работе с 2D-изображениями.
Второй подход — цифровой двойник живой клетки на основе физических законов. Команда нанесла на карту расположение митохондрий и микротубочек, добавила моторные белки и корректировала параметры, пока поведение виртуальных органелл не совпало с реальным. Для проверки модель попросили предсказать эффект нокодазола, разрушающего микротубочки. Без единого изменения параметров двойник воспроизвел снижение подвижности и скорости слияния митохондрий. Оба исследования опубликованы в Cell.
На протяжении столетия мы считали, что форма митохондрий отражает их функцию. Это исследование показывает, что связь между ними достаточно сильна, чтобы модель могла ее изучить, даже не имея ответа.
MitoSpace также упорядочила ранее не виденные препараты и рассортировала органоиды клеток легких человека по стадиям развития без переобучения. Цифровые двойники позволят тестировать воздействие лекарств и болезнетворных мутаций, сокращая число реальных экспериментов. Команда работает с линией клеток рака головы и шеи Cal27, где регуляция митохондриальной активности до конца неясна.
В перспективе исследователи планируют объединить оба подхода: искусственный интеллект будет находить закономерности, а двойники — объяснять их физические причины. Дальше — создание полноценной виртуальной клетки и моделирование целых тканей для клинической практики.
Ранее Наука Mail рассказывала, как ИИ учат предсказывать поведение клеток.