Robotyka w medycynie regeneracyjnej

fot. pixabay

Grupa badawcza kierowana przez Genki Kandę z RIKEN Center for Biosystems Dynamics Research (BDR) opracowała zrobotyzowany system sztucznej inteligencji do autonomicznego określania optymalnych warunków wzrostu zastępczych warstw siatkówki niezbędnych do widzenia.

Sztuczna inteligencja kontrolowała proces prób i błędów obejmujący 200 milionów możliwych warunków, dzięki którym udało się udoskonalić receptury kultur komórkowych stosowanych w medycynie regeneracyjnej. Osiągnięcie opublikowane w czasopiśmie naukowym eLife jest tylko jednym z przykładów tego, jak zautomatyzowane projektowanie i przeprowadzanie eksperymentów naukowych może zwiększyć wydajność i szybkość badań w dziedzinie nauk przyrodniczych.

Badania w medycynie regeneracyjnej często wymagają licznych eksperymentów, które są zarówno czasochłonne, jak i pracochłonne. W szczególności dotyczy to tworzenia określonej tkanki z komórek macierzystych. Proces zwany indukowanym różnicowaniem komórek wymaga miesięcy pracy, a poziom sukcesu zależy od wielu zmiennych. Znalezienie optymalnego typu, dawki i czasu wykorzystania poszczególnych odczynników, a także optymalnych zmiennych fizycznych, takich jak siła pipety, czas przenoszenia komórek i temperatura są trudne i wymagają ogromnej ilości prób i błędów.

Aby uczynić ten proces bardziej wydajnym i praktycznym, zespół BDR postanowił opracować autonomiczny system eksperymentalny, który może określić optymalne warunki i wyhodować funkcjonalne warstwy barwnikowe siatkówki z komórek macierzystych (RPE). Wybrano je, ponieważ zwyrodnienie tych komórek jest powszechnym zaburzeniem związanym z wiekiem powodującym utratę wzroku. Co równie ważne wykazano, że przeszczepione warstwy siatkówki RPE odniosły sukces kliniczny.

Aby autonomiczne eksperymenty zakończyły się sukcesem, robot musi wielokrotnie wykonywać te same serie precyzyjnych ruchów i manipulacji, a sztuczna inteligencja musi być w stanie ocenić wyniki i sformułować kolejny eksperyment. Nowy system osiąga te cele za pomocą uniwersalnego robota humanoidalnego Maholo. Ramię jest kontrolowane przez oprogramowanie SI, które wykorzystuje nowo zaprojektowany algorytm optymalizacji do określenia, które parametry należy zmienić i w jaki sposób, aby poprawić wydajność różnicowania w następnej rundzie eksperymentów.

Badacze wprowadzili niezbędne protokoły do generowania komórek RPE z komórek macierzystych do kontrolera Maholo. Chociaż komórki RPE były pomyślnie wygenerowane we wszystkich eksperymentach, sukces w ich tworzeniu utrzymywał się średno na poziomie 50%. W ramach optymalizacji udało się spowodować wzrost wydajności do 90% w zaledwie 185 dni. Analogiczny proces niewykorzystujący automatyzacji trwałby 2,5 roku.

Naukowcy podkreślają, że celem badania nie jest zastępowanie ludzkich pracowników laboratoryjnych robotami.

(rr)