Come si comportano le cellule all’interno degli scenari biologici? Lo studio congiunto dell’Ateneo svedese di Göteborg e dell’Università Centrale della Catalogna propone un framework basato su una tecnica di deep learning per l'analisi del movimento delle cellule durante esperimenti di microscopia time-lapse.

Grazie ai recenti progressi della microscopia, oggi è possibile osservare il movimento di cellule e di singole molecole su più scale spaziotemporali. In questo scenario, l’ambito di studi che fa capo all’intelligenza artificiale si inserisce offrendo un aiuto rilevante, in particolare attraverso l’apporto delle tecniche di deep learning all’analisi automatizzata delle dinamiche che si verificano in ambienti biologici affollati e complessi, sia sotto il profilo del tracciamento che della caratterizzazione del movimento delle cellule al microscopio.

«È il Geometric Deep Learning (GDL) a rendere disponibili, in questo momento, approcci inediti per affrontare il tracciamento e la caratterizzazione del movimento da una prospettiva diversa. Esso generalizza le reti neurali artificiali a problemi che possono essere descritti per mezzo di grafici, che codificano informazioni in base alla struttura dell’input»

spiega il team di autori di “Geometric deep learning reveals the spatiotemporal features of microscopic motion”,composto dai ricercatori del Dipartimento di Fisica dell’Università di Göteborg, in Svezia, e della Facoltà di Scienze, Tecnologia e Ingegneria dell’Università Centrale della Catalogna.

Più nel dettaglio, il Geometric Deep Learning rimanda alle “reti neurali a grafo” (o Graph Neural Network – GNN), ossia a una classe di reti neurali artificiali atta all’elaborazione di dati rappresentati sotto forma di grafici, finora applicata con successo – ad esempio – alla previsione delle proprietà molecolari e alla scoperta di farmaci.

A tale proposito, lo studio citato illustra un framework che, attraverso una rete neurale a grafo, consente l’analisi del movimento delle cellule al microscopio, modellando il loro moto e le loro interazioni. Vediamo da vicino di che cosa si tratta.

Deep learning e microscopia, focus sul tracciamento delle cellule

In tema di deep learning e microscopia, recentemente – ricorda il team di studio – per tracciare le cellule all’interno di scenari biologici, sono state impiegate tecniche AI basate su reti neurali ricorrenti (o Recurrent Neural Network- RNN), tipologia di rete neurale artificiale caratterizzata da neuroni collegati tra loro in un ciclo.

Poiché «nell’ambito della visione artificiale, il collegamento della traiettoria tra le cellule è equivalente a ciò che viene generalmente definito “associazione di dati” nel tracciamento di più oggetti» – fanno notare gli autori – il ricorso alle reti neurali ricorrenti è pertinente.

La questione relativa alla classificazione dei nodi in un grafo è stata affrontata anche utilizzando le reti neurali convoluzionali a grafo spettrale. La tecnica proposta dall’Università di Göteborg e dall’Università Centrale della Catalogna, invece, elabora congiuntamente informazioni spaziali e temporali all’interno di un Graph Neural Network statico.

In particolare, nel sistema descritto (denominato Magik), «analogamente ad altri tipi di architetture, le funzionalità di bordo vengono utilizzate insieme alle funzionalità di nodo nel processo di aggregazione, facendo sì che le caratteristiche del bordo si propaghino solo al nodo associato».

Una rete neurale a grafo per stimare le proprietà dinamiche delle cellule in movimento

In tema di deep learning e microscopia, il framework GNN (Graph Neural Network) sviluppato dal team di studio stima le proprietà dinamiche degli oggetti in movimento (in questo caso le cellule) durante esperimenti di microscopia time-lapse, modellando movimento e interazioni fisiche delle cellule mediante una rappresentazione grafica.

I grafici – specificano gli autori – sono in grado di definire strutture relazionali arbitrarie tra i nodi che li connettono a coppie attraverso i bordi. E, nel sistema messo a punto, ogni nodo descrive il rilevamento di una cellula in un momento specifico e i bordi collegano cellule vicine spaziotemporalmente.

Ad esempio, «in un esperimento di microscopia time-lapse di migrazione cellulare, nei frame successivi oggi oggetto rilevato (cellula) è rappresentato come un nodo, collegato ad altri nodi attraverso i bordi».

Ma come viene elaborato il grafico? Attraverso una sequenza di Fingerprintings Graph Neural Network (FGNN), ovvero una serie di “impronte digitali del grafico neurale”, responsabili di propagare informazioni tramite diversi passaggi tra le cellule.

Per spiegare che cosa si intende per “impronte digitali del grafico neurale”, il team ricorre all’esempio della scoperta di farmaci per mezzo di screening virtuali, in cui ogni farmaco viene codificato come un vettore dalle dimensioni fisse, chiamato “impronta digitale molecolare”. Quando la molecola del farmaco è graficamente rappresentata da una rete neurale, ecco che la sua denominazione è “impronta digitale del grafico neurale”.

Nella stima delle proprietà dinamiche delle cellule in movimento, l’obiettivo della Fingerprintings Graph Neural Network è quello di modulare la forza dell’associazione tra le cellule, per identificare quei bordi che influenzano maggiormente i loro movimenti.

«In particolare, la FGNN implementa due meccanismi che combinano le informazioni provenienti da più cellule: il primo interviene quando si aggregano gli spigoli a un nodo, il secondo è un meccanismo di auto-attenzione che si attiva quando si aggiorna la rappresentazione latente dei nodi» osservano i ricercatori.

Le prestazioni del framework di Graph Neural Network messo a punto dagli autori sono state testate su un classico compito di collegamento di traiettorie, che consiste nello stabilire associazioni temporali tra gli oggetti considerati.

Quello che è emerso è che, se la struttura del grafo include un numero ridondante di spigoli rispetto alle effettive associazioni tra gli oggetti, «Magik mira a potare i bordi errati, mantenendo le vere connessioni».

Deep learning e microscopia: osservazioni conclusive

In tema di deep learning e microscopia, il framework Magik per la caratterizzazione delle proprietà dinamiche in esperimenti di microscopia time-lapse si fonda sul Geometric Deep Learning per catturare l’intera complessità spazio-temporale degli esperimenti in ambito biologico.

Cuore dell’intero sistema è la tecnica basata su reti neurali artificiali a grafo, in grado di estrarre parametri dinamici che – nei grafici – assumendo vincoli relazionali (nodi e bordi) tra gli oggetti.

Gli esempi analizzati dal gruppo di ricerca durante il lavoro evidenziano l’ampia versatilità di tale sistema in diversi contesti biologici. Tuttavia, restano ancora alcuni aspetti in sospeso, che andranno approfonditi in futuro.

Tra questi – indicano gli autori – il fatto che, sebbene la stessa architettura possa teoricamente venire applicata per studiare altre dinamiche di movimento osservabili, rimane da verificare se la rete neurale possa essere addestrata a stimare simultaneamente diversi parametri, arrivando addirittura a essere impiegata per applicazioni che vanno oltre la microscopia time-lapse e in cui il tempo è sostituito da un’altra variabile.

In futuro, inoltre, si dovrà esplorare più in profondità la questione relativa al livello di conoscenza del collegamento tra gli oggetti nella stima dei parametri del loro tracciamento e movimento. L’obiettivo è giungere a collegamenti sempre più puntuali e affidabili delle traiettorie tra gli oggetti osservati, anche in presenza di scenari densamente popolati ed eterogenei.