AI leren verborgen ziektesignalen in neuronale netwerken te herkennen

Flagship Integrative Neuromedicine

Neurologische aandoeningen kunnen veranderen hoe hersencellen met elkaar communiceren. Toch zijn zulke ziektegerelateerde veranderingen in netwerken van neuronen vaak lastig te onderscheiden van normale biologische variatie. Geen twee levende neuronale netwerken gedragen zich namelijk precies hetzelfde. Zelfs netwerken die onder vergelijkbare omstandigheden zijn gekweekt, kunnen verschillen in het aantal cellen, de onderlinge verbindingen, rijping en spontane activiteit. Daardoor kunnen onderzoekers subtiele effecten van ziekte missen, of normale variatie ten onrechte aanzien voor een ziektegerelateerde verandering.

Binnen het Convergence Health & Technology Flagship Integrative Neuromedicine ontwikkelen onderzoekers een nieuwe manier om zulke verborgen functionele verschillen zichtbaar te maken. Door geavanceerde beeldvorming, lichtgestuurde stimulatie, computationele modellen en kunstmatige intelligentie te combineren, willen zij verder gaan dan alleen het observeren van neuronale netwerken. In plaats daarvan willen ze de netwerken actief uitdagen en leren van hoe deze daarop reageren.

Het doel is om een informatievere manier te ontwikkelen om te onderzoeken hoe neurologische aandoeningen het functioneren van neuronale netwerken beïnvloeden. Als de methode succesvol blijkt in ziektemodellen, kan deze uiteindelijk mogelijk ook helpen om te beoordelen of potentiële behandelingen de werking van het netwerk herstellen. Het platform bevindt zich nog in een vroege ontwikkelingsfase en moet eerst worden getest in levende neuronale netwerken.

Van een netwerk observeren naar het actief uitdagen

Onderzoekers bestuderen neuronale netwerken meestal door hun spontane activiteit te observeren of door een vooraf gekozen prikkel toe te dienen. Het nieuwe platform kiest voor een actievere aanpak, waarbij het netwerk herhaaldelijk wordt geobserveerd én uitgedaagd.

De aanpak is te vergelijken met een fysiologische stresstest. Twee netwerken kunnen er in rust vergelijkbaar uitzien, maar heel verschillend reageren wanneer ze worden uitgedaagd. Die reacties kunnen een zogenoemd functioneel fenotype opleveren: een profiel van hoe een netwerk onder belasting functioneert. De onderzoekers willen nagaan of zulke profielen kunnen helpen om ziektegerelateerde veranderingen beter te onderscheiden van normale biologische variatie.
.
.

Hoe werkt de AI-gestuurde stresstest?

De onderzoekers combineren verschillende technologieën. Neuronen communiceren via snelle elektrische signalen, die ontstaan door veranderingen in de spanning over hun celmembraan. Bij voltage imaging worden fluorescerende sensoren gebruikt waarvan de helderheid verandert wanneer deze spanning verandert. Met een microscoop kunnen onderzoekers deze veranderingen vastleggen en zo de elektrische activiteit van veel cellen tegelijk volgen. Computationele modellen helpen vervolgens om te beschrijven hoe deze activiteit zich binnen het netwerk ontwikkelt en verspreidt. Met behulp van optogenetica kunnen onderzoekers daarna geselecteerde cellen of delen van het netwerk heel gericht met licht stimuleren.
.
Het bijzondere is het gebruik van reinforcement learning, een vorm van kunstmatige intelligentie die leert van de effecten van eerdere acties. In plaats van een vast patroon van stimulatie te volgen, gebruikt de AI wat tot dan toe is waargenomen om te bepalen welke lichtprikkel als volgende wordt toegediend. De reactie daarop wordt geregistreerd en geanalyseerd, waarna de cyclus opnieuw begint. Zo ontstaat een gesloten regelkring, een zogenaamde closed loop, waarin iedere reactie bepaalt wat de volgende stap in het experiment wordt. Op deze manier is het platform ontworpen om actief te zoeken naar het experiment dat het beste zichtbaar maakt hoe een specifiek netwerk onderliggend functioneert.

Biologie geeft ons nooit twee identieke netwerken. Als we alleen naar een vast patroon zoeken, lopen we het risico normale variatie te verwarren met ziekte. Ons doel is om AI het netwerk actief te laten onderzoeken en te laten bepalen welke reacties wijzen op een echte verandering in de onderliggende dynamiek.

Daan Brinks

Associate Professor Imaging Physics aan de TU Delft en TU Delft-lead van Integrative Neuromedicine

Two highlighted human neurons in a network sprouted from an organoid grown from human neural progenitor cells

.

Van afzonderlijke technologieën naar het eerste closed-loop-experiment

Het project maakt nu de stap van afzonderlijke technische demonstraties naar één geïntegreerd biologisch experiment. Een belangrijke bouwsteen is de Octoscope, ontwikkeld aan de TU Delft (link). Deze compacte microscoop kan zowel elektrische activiteit registreren met voltage imaging als nauwkeurig vormgegeven lichtprikkels toedienen. De mogelijkheden voor beeldvorming en stimulatie zijn inmiddels aangetoond in laboratoriummateriaal en in levende organismen.

Tegelijkertijd zijn, in samenwerking met Wendelin Böhmer en Laurens Engwegen van de TU Delft, reinforcement-learning-agents getest in gesimuleerde neuronale netwerken. Deze agents leerden de activiteit te sturen in netwerken die ze tijdens hun training nog niet eerder hadden gezien, ondanks verschillen in de onderliggende verbindingen en netwerkstructuur. Dit onderzoek is beschikbaar als preprint (link). Aanvullend methodologisch onderzoek laat zien dat deze reinforcement-learning-aanpak ook kan generaliseren naar sterk uiteenlopende systemen die tijdens de training niet zijn gezien. In deze studie werd dat getest op verschillende gesimuleerde robotstructuren (link).

Een derde bouwsteen is de snelle en betrouwbare analyse van voltage-imagingdata. Samen met het lab van Zhenyu Gao, de Erasmus MC-lead van het Flagship, en Rui Silva hebben de onderzoekers systematisch onderzocht hoe betrouwbaar bestaande analysemethoden voor voltage imaging zijn (link). Daarbij bekeken zij hoe verschillende stappen in de analyse van invloed kunnen zijn op de betrouwbaarheid en interpretatie van de resultaten. Voortbouwend op dit onderzoek draait inmiddels een vervolgplatform voor realtime analyse in levende muizen. Realtime analyse is essentieel voor de closed loop. Het platform moet de reactie van het netwerk kunnen interpreteren terwijl het experiment nog bezig is, zodat de AI direct kan bepalen welke prikkel als volgende moet worden toegediend.

De onderzoekers brengen deze onderdelen nu samen op de Octoscope. De volgende mijlpaal is het eerste experiment waarin voltage imaging, realtime analyse, reinforcement learning en optogenetische stimulatie gezamenlijk in een closed loop functioneren binnen een gekweekt neuronaal netwerk. Dit experiment moet aantonen dat het platform een biologisch netwerk kan observeren, een stimulus kan selecteren, de reactie kan registreren en op basis daarvan de volgende stap kan aanpassen terwijl het experiment loopt. Zodra de closed loop betrouwbaar functioneert, kunnen de onderzoekers gaan onderzoeken of de AI-gestuurde stresstest betekenisvolle verschillen zichtbaar maakt tussen gezonde en ziektegerelateerde netwerkmodellen.

Waar kan dit uiteindelijk toe leiden?

Op kortere termijn kan het platform onderzoekers een informatievere manier bieden om cellulaire ziektemodellen te beoordelen. Het kan helpen om te onderzoeken hoe een ziekte de communicatie tussen cellen verandert en om te meten hoe netwerken reageren op potentiële behandelingen. Het platform kan daarnaast helpen bepalen of een ziektemodel daadwerkelijk het relevante fenotype op netwerkniveau nabootst, in plaats van alleen een moleculaire marker of een verandering in het uiterlijk van cellen te laten zien.

Op langere termijn zouden dergelijke functionele profielen mogelijk kunnen bijdragen aan het onderscheiden van verschillende ziekte-subtypen, het selecteren van behandelingen of het eerder herkennen van ziektegerelateerde veranderingen. Om dat stadium te bereiken, moet de methode eerst worden gevalideerd in specifieke ziektemodellen en vervolgens in netwerken die zijn ontwikkeld uit cellen van patiënten.

Het huidige onderzoek vormt de technologische en wetenschappelijke basis om deze toekomstige toepassingen verder te kunnen verkennen.

Het gedrag van cellen koppelen aan de onderliggende biologie

Het concept bouwt ook voort op een eerdere samenwerking tussen het lab van Daan Brinks aan de TU Delft en het lab van Miao-Ping Chien bij Erasmus MC. In die samenwerking lieten de onderzoekers zien dat levende cellen met live imaging gedurende langere tijd gevolgd kunnen worden en dat specifieke cellen kunnen worden geselecteerd op basis van hun gedrag, bijvoorbeeld hoe ze bewegen of van vorm veranderen. De geselecteerde cellen kunnen vervolgens met single-cell sequencing worden geanalyseerd. Met deze techniek kan moleculaire informatie over iedere afzonderlijke cel worden achterhaald, waaronder welke genen actief zijn. Hierdoor werd het mogelijk om functionele cellulaire fenotypes (wat cellen daadwerkelijk doen) te koppelen aan hun moleculaire profiel: de biologische processen die in de cel actief zijn. Miao-Ping Chien, een vooraanstaand onderzoeker op dit gebied, past deze aanpak inmiddels toe binnen kankeronderzoek.
.
Het huidige project breidt dit onderliggende principe uit van cellulair gedrag, zoals beweging en vorm, naar elektrische signalering en de gezamenlijke dynamiek van een netwerk. Met andere woorden: in plaats van te bestuderen hoe individuele cellen bewegen of van vorm veranderen, onderzoeken de onderzoekers hoe neuronen met elkaar communiceren en als netwerk functioneren. Een mogelijke toekomstige uitbreiding is om zulke functionele netwerkfenotypes (patronen in hoe een netwerk functioneert en reageert) te combineren met genetische of moleculaire informatie. Dit kan onderzoekers helpen niet alleen te begrijpen welke biologische veranderingen samenhangen met een ziekte, maar ook hoe die veranderingen het functioneren van een levend netwerk beïnvloeden.

De meerwaarde van Convergence

Voor de ontwikkeling van het platform is expertise nodig die normaal gesproken niet binnen één onderzoeksgroep samenkomt. TU Delft brengt kennis in op het gebied van beeldvormingstechnologie, voltage imaging, computationele modellering en reinforcement learning. Erasmus MC draagt expertise bij op het gebied van cellulaire neurowetenschappen, biologische ziektemodellen, realtime analyse en het koppelen van dynamisch celgedrag aan moleculaire informatie. Convergence maakt het mogelijk om deze verschillende onderdelen als één experimenteel systeem te ontwikkelen, in plaats van als afzonderlijke technische componenten. Met name de samenwerking met het Gao-lab vormt de brug tussen AI die in gesimuleerde omgevingen wordt ontwikkeld en biologisch betekenisvolle experimenten met levende systemen. De samenwerking met het Chien-lab legt daarnaast een verbinding met diagnostische toepassingen.
.
De betrokkenheid van Erasmus Universiteit Rotterdam voegt nog een belangrijk perspectief toe. Samen met Maren Wehrle, de EUR-lead van Integrative Neuromedicine, bespreken de onderzoekers regelmatig de ethische implicaties van AI-gestuurde functionele profilering. Daarbij kijken zij onder meer naar wat toekomstige classificaties voor patiënten zouden kunnen betekenen en hoe patiënten als co-designpartners bij de ontwikkeling kunnen worden betrokken. Het gaat bijvoorbeeld om de vraag welke onderzoeksvragen relevant zijn, welke uitkomsten ertoe doen en hoe de technologie uiteindelijk zou kunnen worden toegepast als het onderzoek dichter bij klinisch gebruik komt.

Collaborators

Daan Brinks — TU Delft; TU Delft-lead van het Convergence Flagship Integrative Neuromedicine; BIOLab
Wendelin Böhmer — TU Delft; reinforcement learning; BIOLab
Laurens Engwegen — TU Delft; onderzoek naar reinforcement learning; gedeeld promovendus binnen de onderzoeksgroepen van Brinks en Böhmer
Zhenyu Gao — Erasmus MC-lead van Integrative Neuromedicine; cellulaire neurowetenschappen en analyse van voltage imaging
Rui Silva — Erasmus MC en TU Delft; realtime analyse; gedeeld promovendus binnen de onderzoeksgroepen van Brinks en Gao
Miao-Ping Chien — Erasmus MC en Oncode Institute; koppeling tussen functioneel fenotype en genotype
Maren Wehrle — Erasmus Universiteit Rotterdam; ethiek en co-design