Tecniche radiologiche come quelle a risonanza magnetica nucleare permettono di ottenere un’enorme mole di informazioni sul metabolismo di diverse condizioni patologiche, la cui analisi completa rappresenta, però, un passaggio difficile. L’intelligenza artificiale interviene quale strumento capace di velocizzare la lettura di migliaia di dati, che stanno a indicare, ad esempio, i cambiamenti - a livello atomico - relativi alla presenza di proteine in un dato campione biologico.

TAKEAWAY

• Quello dell’AI per l’analisi dei dati da spettroscopia NMR – tecnica radiologica a risonanza magnetica nucleare per ottenere informazioni sulla struttura molecolare dei campioni in esame – è un filone di ricerca ancora inesplorato.
• Una delle criticità della spettroscopia NMR sta nell’analisi dei dati che vengono rilevati, ovvero nel riuscire a suddividerli in base alle caratteristiche delle diverse componenti della struttura molecolare in esame e a quantificare le loro proprietà specifiche.
• Recentemente, il tema è stato oggetto di uno studio che ha condotto alla messa a punto di una rete neurale profonda,atta a scansionare, a leggere accuratamente, le immagini rilevate dagli spettrometri NMR.

---

Le tecniche che fanno capo all’ambito di studi dell’intelligenza artificiale hanno, da diversi anni, fatto il loro ingresso nei laboratori di ricerca in campo chimico e biochimico, in qualità di strumenti atti ad analizzare e correlare tra loro grandi moli di dati. In particolare, in biochimica, quello dell’intelligenza artificiale per spettroscopia NMR è un filone ancora inesplorato, di cui si è iniziato a parlare da poco. Recentemente, il tema è stato trattato in uno studio a cura dei ricercatori dell’Ohio State University – pubblicato il 1° settembre 2021 su Nature Communications – in materia di elaborazione di spettri NMR complessi attraverso la messa a punto di una rete neurale profonda. Vediamo di che cosa si tratta e quali tecnologie sono state messe in campo.

Intelligenza artificiale per spettroscopia NMR: una rete neurale profonda per leggere ed elaborare i dati rilevati dagli spettrometri

In ambito diagnostico, la spettroscopia di risonanza magnetica nucleare – detta anche spettroscopia NMR, Nuclear Magnetic Resonance – è una particolare tecnica radiologica che permette di ottenere dettagliate informazioni sulla struttura molecolare dei composti in esame, misurando l’assorbimento di radiazione elettromagnetica in molecole immerse in un forte campo magnetico.

Ha lo scopo di fornire informazioni sul metabolismo di diverse condizioni patologiche, in particolare sul metabolismo cerebrale e sulla funzione neuronale in una serie di processi quali accidenti vascolari, malattie metaboliche e lesioni tumorali.

Le informazioni che si ottengono (segnali) sono rappresentate da un insieme di “picchi” che identificano le diverse molecole, disposti lungo un asse cartesiano in base alle varie frequenze di risonanza di ciascuna molecola. E il grafico che si ottiene è chiamato “spettro”.

L’analisi di tutti gli spettri per l’identificazione e la caratterizzazione complete dei picchi è un passaggio difficile, “ma di fondamentale importanza in tutte le analisi di risonanza magnetica nucleare di sistemi molecolari biologici complessi”, osserva Rafael Brüschweiler, ricercatore e professore di chimica e biochimica presso l’Ateneo dell’Ohio e tra gli autori dello studio citato, in tema di intelligenza artificiale per spettroscopia NMR.

Una delle maggiori criticità nell’analisi dei dati che costituiscono gli spettri NMR sta nel riuscire a suddividerli in base alle caratteristiche delle diverse componenti della struttura molecolare in esame e a quantificare le loro proprietà specifiche, prosegue il ricercatore.

L’esigenza di partenza del team era insegnare a una macchina a fare questo, ossia a scansionare, a leggere accuratamente, le immagini rilevate dagli spettrometri NMR. Immagini che – note come “spettri”, appaiono come centinaia e migliaia di picchi e valli, che stanno a indicare, ad esempio, i cambiamenti – a livello atomico – relativi alla presenza di proteine in un dato campione biologico, come sangue o urine.

Picchi che si sovrappongono, quasi a dare l’effetto di “catena montuosa”, dove i picchi più vicini e più grandi spesso oscurano quelli più piccoli, i quali, invece, potrebbero essere messaggeri di informazioni importanti.

Gli spettri NMR – spiega Brüschweiler – sono paragonabili al codice QR di una molecola: ogni proteina ha il suo codice QR specifico. “Tuttavia, i singoli pixel di questi codici possono sovrapporsi tra loro in misura significativa, al punto che nessun lettore di QR code sarebbe in grado di decifrarli”.

Il lavoro del gruppo di studio ha, così, previsto la creazione di una rete neurale profonda, il cui addestramento è avvenuto somministrando alla macchina spettri NMR già analizzati manualmente e comunicando al computer il risultato corretto già noto. Il team ha iniziato con spettri molto semplici, per poi passare a set di dati sempre più complessi.

Come ha lavorato la rete neurale durante la fase di test

In tema di intelligenza artificiale per spettroscopia NMR, il sistema basato su rete neurale profonda messo a punto è stato denominato DEEP Picker e include otto strati di calcolo.

Durante la fase di test è stato in grado di identificare correttamente i picchi sovrapposti all’interno delle immagini rilevate dagli spettrometri NMR, compresi quelli di lettura più difficile sia per gli spettroscopisti esperti, sia per i metodi computazionali esistenti.

L’identificazione e la caratterizzazione quantitativa dei picchi trasversali – ricorda Rafael Brüschweiler – influiscono in modo critico su tutte le analisi a valle e possono avere un impatto importante sull’interpretazione dei dati.

Ogni picco incrociato è caratterizzato dalla posizione del suo centro (cioè le coordinate di frequenza corrispondenti agli spostamenti chimici), dalla forma del picco lungo ciascuna dimensione e dalla sua ampiezza (o volume). E i parametri che definiscono i picchi incrociati rappresentano le informazioni chimiche e biologiche di interesse sulle molecole presenti nel campione.

DEEP Picker, più nel dettaglio, ha analizzato ogni spettro NMR rispettando le seguenti fasi:

• identificazione dell’insieme completo di picchi incrociati (peak picking)
• assegnazione di ciascun picco incrociato agli atomi di appartenenza
• quantificazione di ciascun picco incrociato mediante la determinazione dell’ampiezza o del volume del picco

Nello specifico – fa notare il team – durante il test, la rete neurale si è dimostrata particolarmente precisa nell’analizzare spettri NMR contenenti informazioni sulle proteine intrinsecamente disordinate, nonché su una complessa miscela di impronte chimiche lasciate da specifici processi cellulari, fornendo, così, l’accesso a preziose informazioni sulla struttura molecolare dei campioni in esame.

Intelligenza artificiale per spettroscopia NMR: gli obiettivi futuri del team di studio

L’obiettivo dei ricercatori dell’Ohio State University, in tema di intelligenza artificiale per spettroscopia NMR, è quello di rendere, col tempo, DEEP Picker uno strumento per facilitare l’automazione e la standardizzazione dei protocolli di elaborazione dei dati rilevati da spettroscopia NMR, per rendere i risultati inequivocabilmente e facilmente trasferibili tra diversi spettrometri, progetti e laboratori di ricerca.

Il sistema è in grado di fornire, in molte circostanze, un eccellente punto di partenza per l’adattamento quantitativo dei parametri di picco. E consente di leggere in modo riproducibile regioni spettrali con forti sovrapposizioni di picchi, fornendo un accesso più completo alle informazioni contenute in questi tipi di spettri NMR.

Tuttavia, vi sono alcuni aspetti della ricerca da approfondire e alcune metodologie da perfezionare. Ad esempio, è emerso che la rete neurale sviluppata prevede ogni picco localmente, senza tenere conto del comportamento dei punti spettrali più lontani.

Dato, questo, da migliorare, in particolare per i cluster di picchi sovrapposti, dove è possibile – specifica il gruppo di lavoro – eseguire un adattamento dei minimi quadrati non lineare di tutti i picchi contemporaneamente.

Inoltre, come qualsiasi altra rete neurale, DEEP Picker funziona al meglio nell’ambito di compiti che sono, complessivamente, simili ai set di dati per cui è stato addestrato.

Per tale ragione, un requisito di base per ricerche future da parte di altri team di studio è che la risoluzione spettrale sia sufficientemente elevata, in modo che ogni picco sia rappresentato da 6-20 (o 4-12) punti, il che è facilmente ottenibile applicando una quantità adeguata di riempimento zero durante l’elaborazione, conclude Brüschweiler.