Podejście oparte na uczeniu głębokim do oceny przepuszczalności komórek przez śródbłonek

Obserwowanie, jak komórki odpornościowe przekraczają granicę

Nasze ciała polegają na wędrujących komórkach odpornościowych, które potrafią opuścić naczynie krwionośne, przecisnąć się między komórkami wyściełającymi naczynia i wejść do tkanek, by zwalczać infekcje i nowotwory. Ten akt przekraczania granicy trudno uchwycić w laboratorium, zwłaszcza przy realistycznych warunkach przepływu krwi. Artykuł przedstawia nową metodę szczegółowego śledzenia tej podróży, a następnie wykorzystania sztucznej inteligencji (AI) do szybkiego oceniania, jak sprawnie komórki odpornościowe ją pokonują, z myślą o badaniu chorób takich jak rak trzustki i związane z wiekiem osłabienie układu odpornościowego.

Jak komórki wymykają się z naczyń krwionośnych

Komórki odpornościowe nie wypływają z naczyń losowo. Podążają za starannie zaaranżowanym ciągiem kroków: najpierw są wychwytywane przez ścianę naczynia, potem toczą się po niej, zatrzymują, pełzają, a w końcu przeciskają się między lub przez komórki wyściółki, by dotrzeć do tkanki. Ta wieloetapowa podróż, zwana transendotelialną migracją, zależy od sieci powierzchniowych „haczyków” i cząsteczek sygnałowych zarówno na komórkach odpornościowych, jak i na komórkach śródbłonka. Gdy sekwencja ta zostaje zakłócona, obrona immunologiczna może zawieść, guzy mogą unikać ataku, a nadmierne napływy komórek mogą napędzać przewlekłe stany zapalne i choroby autoimmunologiczne.

Dlaczego tradycyjne testy laboratoryjne zawodzą

Standardowe testy migracji komórek rzadko odtwarzają siły i struktury, z jakimi komórki stykają się w prawdziwych naczyniach krwionośnych. Proste systemy oparte na filtrach pozwalają liczyć, ile komórek przechodzi przez membranę, ale bazują głównie na grawitacji i nie są w stanie imitować stałego ścinania wynikającego z przepływu krwi ani ujawnić każdego etapu sekwencji przekraczania. Modele zwierzęce oddają więcej złożoności, ale różnią się od biologii człowieka, są drogie i powolne. Bardziej realistyczna metoda, znana jako test adhezji w przepływie, pozwala hodować ludzkie komórki śródbłonka w wąskich kanałach i przepuszczać przez nie komórki odpornościowe przy kontrolowanym przepływie. Dotąd metoda ta była jednak ograniczona przez czasochłonne, zależne od operatora ręczne ocenianie tysięcy komórek klatka po klatce.

Przekształcanie filmów komórek w dane za pomocą AI

Autorzy ulepszyli test przepływowy i sparowali go z modelem uczenia głębokiego, aby zautomatyzować analizę. Hodowali ludzkie komórki śródbłonka wewnątrz mikropłytkowych slajdów, stymulowali je do ekspresji odpowiednich powierzchniowych „haczyków”, a następnie przepuszczali przez tę żywą barierę fluorescencyjnie znakowane limfocyty T, rejestrując obrazy wysokiej rozdzielczości mikroskopem konfokalnym. Etapy przetwarzania obrazu usuwały tło i oddzielały pojedyncze komórki T, co umożliwiało pomiar prostych cech kształtu, takich jak pole powierzchni komórki, stopień wydłużenia czy okrągłość obrysu. Zamiast prosić AI o rozróżnienie każdego subtelnego etapu podróży, zespół pogrupował komórki w dwa kluczowe stany: te nadal na lub w ścianie naczynia oraz te, które w pełni przeszły na dalszą stronę.

Czego nauczyła się sieć neuronowa

Wykorzystując framework Keras/TensorFlow, badacze wytrenowali model uczenia głębokiego do klasyfikowania każdej zsegmentowanej komórki jako „przetransmigrowana” lub „jeszcze nie przetransmigrowana” na podstawie tych cech kształtu. Model rozpoznał, że komórki wydłużone o wysokim współczynniku kształtu częściej znajdowały się w trakcie przeprawy lub już ją zakończyły, podczas gdy bardziej okrągłe komórki miały tendencję do pozostawania po stronie krwi. Testowany na nowych, wcześniej nie widzianych obrazach system poprawnie identyfikował komórki przetransmigrowane z ponad 93% trafnością, a komórki nieprzetransmigrowane z około 88% trafnością, co z komfortowym zapasem przekracza powszechne progi wiarygodnej automatycznej klasyfikacji. To, co dawniej wymagało około dziesięciu godzin uważnego, ręcznego oceniania przez dwóch zablindowanych ekspertów, teraz można wykonać w ciągu minut, z lepszą spójnością i praktycznie bez uprzedzeń operatora.

Testowanie komórek odpornościowych od zdrowych dawców i pacjentów z rakiem

Aby pokazać, że metoda sprawdza się w warunkach rzeczywistych, zespół zastosował swoje wspomagane AI badanie do limfocytów T pochodzących od zdrowych dawców w różnym wieku i obu płci oraz od pacjentów z gruczolakorakiem przewodowym trzustki, nowotworem znanym z wyjątkowo nieprzyjaznego mikrośrodowiska i słabego nacieku immunologicznego. Wśród zdrowych dawców nie zaobserwowano istotnych różnic w wydajności przekraczania w zależności od wieku czy płci. Natomiast limfocyty T od pacjentów z rakiem trzustki wykazywały znacząco gorsze zdolności do ukończenia przejścia przez komórki śródbłonka niż limfocyty od zdrowych osób, niezależnie od tego, czy guz nosił powszechną mutację w genie KRAS, czy pacjent otrzymał chemioterapię. Te wstępne obserwacje sugerują, że środowisko nowotworowe może pozostawić trwały ślad na komórkach odpornościowych, osłabiając ich zdolność do skutecznego przemieszczania się.

Nowe narzędzie do badania i dostosowywania ruchu komórek odpornościowych

Łącząc realistyczny test w przepływie z uczeniem głębokim, autorzy stworzyli praktyczną platformę, która przekształca złożone sekwencje obrazów w szybkie, standaryzowane miary skuteczności przekraczania ścian naczyń przez komórki. Podejście jest wystarczająco elastyczne, by można je było przetrenować dla innych komórek odpornościowych, komórek nowotworowych lub śródbłonków specyficznych dla organów, i może zostać rozszerzone na bardziej złożone trójwymiarowe modele naczyń w przyszłości. Dla osób niebędących specjalistami kluczowy przekaz jest taki: obserwowanie i ocenianie ruchu komórek odpornościowych nie musi już być powolnym, ręcznym rzemiosłem — dzięki AI może stać się solidnym, wysokoprzepustowym narzędziem, które pomoże naukowcom badać, dlaczego niektóre odpowiedzi immunologiczne zawodzą i jak nowe terapie mogą przywrócić komórkom zdolność dotarcia do tkanek, gdzie są najbardziej potrzebne.

Cytowanie: Schumacher, T.M., Gottloeber, E.M., Koziel, E. et al. A deep learning approach to assess transendothelial cell trafficking performance. Sci Rep 16, 11602 (2026). https://doi.org/10.1038/s41598-026-46045-4

Słowa kluczowe: ruch komórek odpornościowych, transendotelialna migracja, mikroskopia z uczeniem głębokim, test adhezji w przepływie, odporność w raku trzustki