Utmaning med bildtagning av Adipocytceller

Under november 2020 utmanade AI Sweden och AstraZeneca AI-gemenskapen att lösa problemet med att märka cellbilder utan att behöva använda giftig förbehandling av cellkulturer. Uppgiften var att använda maskininlärning för att förutsäga innehållet i fluorescensbilderna från de motsvarande ljusfältsbilderna.

People around a table working with their computers

Bakgrund

Historiskt sett har de flesta läkemedel varit små molekyler som binder till målproteiner i kroppen. Problemet är att ett läkemedel kan binda till flera liknande proteiner, vilket skapar oönskade bieffekter. Ett mer specifikt sätt är att rikta in sig på RNA-sekvensen av proteiner där nanomedicines ofta aanvänds för att transportera RNA-last genom kroppen. Dessa nanomediciner är små konstruerade maskiner gjorda av biomolekyler som interagerar med cellmembran och maskineri för att leverera RNA till celler där de kan påverka deras funktion.

För att kunna injicera nanomediciner i huden kommer att göra behandlingar med [nanomediciner](https://en.wikipedia.org/wiki/Nanomedicine) enklare för patienter. Ett av de viktigaste cellulära målen är fettcellerna (adipocyter) som vi alla har i vår hud. För att undvika att använda mänskliga försökspersoner kan adipocytcellkulturer skapas från stamceller. En av de viktigaste metoderna för att undersöka upptaget av nanomedicinerna i celler är cellbildning, vilket är ämnet för denna utmaning.

Målet med cellbildning är att extrahera relevant information om cellstrukturen som kan vägleda läkemedelsutvecklingen. För att tillåta bildtagning av olika cellstrukturer används fluorescensmikroskopi för att märka specifika delar av cellen.

AstraZeneca har delat ett dataset bestående av bilder av stamcellsavledda mänskliga adipocytcellkulturer. Cellerna har bildats med hjälp av ett robotiskt konfokalt mikroskop, vid tre olika förstoringsgrad, både med ljusfält och fluorescensbildning.

Uppgiften

Uppgiften var att använda maskininlärning för att kombinera fördelarna med ljusfält och fluorescensbildning och samtidigt undvika de toxiska effekterna av cellmärkning genom att förutsäga innehållet i fluorescensbilderna från de motsvarande ljusfältsbilderna.

Ladda ner den kompletta problemformuleringen

Data

Det finns tre uppsättningar bilder som motsvarar tre olika förstoringsinställningar (20x, 40x, och 60x) av mikroskopet. För varje synfält kommer det att finnas sju ljusfältsbilder för olika värden av fokalplanet, och tre olika fluorescensbilder som motsvarar märkningen av kärnor, lipocyter, och cellmatriser. Det kommer att finnas cirka 50-100 bilder för varje förstoringsinställning. Varje bild är ungefär 2156 x 2556 pixlar stor, med 16 bitar för att representera varje pixelvärde.

Till vänster är en överlagrad fluorescensbild av cellkärnor (blå), lipid droppar (grön), och cytoplasma (röd). Varje färg är en enkanalsbild. Till höger är den motsvarande ljusfältsbilden.

Download Data set description

Teams

BIOMAG
Ett team med forskare från Institute for Molecular Medicine Finland (FIMM), HiLIFE, University of Helsinki, och Biological Research Centre of the Hungarian Academy of Sciences.

BioMedAI-Lund
Ett tvärvetenskapligt team med omfattande expertis inom djupinlärning och biomedicinsk bildanalys, inklusive analys av storskaliga fenotypiska höginnehållsbildningsskärmar. Alla teammedlemmar är seniorforskare vid Lunds universitet, som samarbetar som en del av AI Lund-nätverket.

HASTE team
HASTE-teamet består av fem doktorander från Uppsala universitet, Sverige. Teamet har en rad erfarenheter av bildcytometri med både traditionella och djupinlärningsmetoder.

NordAxon Code Monkeys
NordAxon Code Monkeys är ett team av tre anställda från NordAxon, ett regionalt konsultföretag för maskininlärning beläget i Malmö.

rähmä.ai
Ett team av två datorseendespecialister från Silo AI med en bakgrund relaterad till hälso- och medicinska områden.

Soft Matter Lab @ GU
Soft Matter Lab är en forskargrupp vid institutionen för fysik vid Göteborgs universitet. Gruppen fokuserar på forskning inom biomedicinsk optik, biomimetiska aktiva system, neurovetenskaper och maskinintelligens.

The Bug Hunters
Ett team av medicinska ingenjörsstudenter från Kungliga tekniska högskolan. Teamet har en bakgrund inom medicinsk bildtagning och maskininlärning, vi är mycket intresserade av dataanalys inom hälso- och sjukvård.

Yenomze
Ett tvärvetenskapligt team bestående av tre studenter inom Deep Learning från Linköpings universitet och en 2:a års masterstudent inom molekylärbiologi och genetik vid Izmir Institute of Technology.

Utvärdering

Teamsen utvärderades i två steg:

1. Kvalitetsmått
Ett antal fördefinierade kvalitetsmått användes för att mäta den objektiva kvaliteten på de genererade bilderna.

Kod för utvärderingsmått kan hittas här

2. Jury presentation & rapport
En jury med medlemmar från AstraZeneca, AI Sweden, och Vinnova bedömde kvaliteten på de olika bidragen baserat på presentationen som givits av varje grupp. Rapporten från varje grupp utvärderades av AstraZeneca.