Подход глубокого обучения для оценки трансэндотелиальной миграционной способности клеток

Наблюдая, как иммунные клетки пересекают границу

Наш организм зависит от подвижных иммунных клеток, которые могут покидать кровоток, протиснуться между клетками, выстилающими сосуды, и проникать в ткани, чтобы бороться с инфекциями и раком. Этот акт перехода границы сложно зафиксировать в лаборатории, особенно в реалистичных условиях кровотока. В статье представлен новый способ подробно наблюдать это путешествие и затем позволить искусственному интеллекту (ИИ) быстро оценивать, насколько успешно иммунные клетки пересекают стенку сосуда, что важно для понимания таких состояний, как рак поджелудочной железы и возрастные нарушения иммунитета.

Как клетки ускользают из кровеносных сосудов

Иммунные клетки не просто случайно покидают сосуды. Они следуют тщательно скоординированной последовательности шагов: сначала их улавливает стенка сосуда, затем они катятся по ней, останавливаются, ползают и в конце концов проталкиваются между или через выстилающие клетки, чтобы попасть в ткань. Это многоступенчатое путешествие, называемое трансэндотелиальной миграцией, опирается на сеть поверхностных «крючков» и сигнальных молекул как на иммунных клетках, так и на клетках, выстилающих сосуд. Когда эта последовательность нарушается, иммунная защита может ослабевать, опухоли — уходить от атаки, а чрезмерный приток клеток — приводить к хроническому воспалению и аутоиммунным заболеваниям.

Почему традиционные лабораторные тесты не дотягивают

Стандартные лабораторные методы изучения миграции клеток редко воспроизводят силы и структуры, с которыми клетки сталкиваются в реальных сосудах. Простые системы на основе фильтров позволяют исследователям подсчитать, сколько клеток прошло через мембрану, но они в значительной степени зависят от силы тяжести и не могут имитировать постоянный сдвиговый поток крови или показывать каждый этап перехода. Животные модели передают больше сложности, но отличаются от человеческой биологии, а также дороги и медленны. Более реалистичный метод, известный как адгезионный тест при потоке, позволяет выращивать человеческие эндотелиальные клетки в узких каналах и прогонять иммунные клетки по ним под контролируемым потоком. До сих пор этому методу мешала трудоемкая, зависящая от оператора ручная оценка тысяч клеток покадрово.

Преобразование фильмов с клетками в данные с помощью ИИ

Авторы усовершенствовали потоковый тест и связали его с моделью глубокого обучения для автоматизации анализа. Они выращивали человеческие эндотелиальные клетки внутри микрофлюидных слайдов, стимулировали их для экспрессии необходимых поверхностных «крючков», а затем прокачивали флуоресцентно меченые Т‑клетки через этот живой барьер, записывая высокоразрешающие изображения с помощью конфокального микроскопа. Процедуры обработки изображений удаляли фоновые шумы и отделяли отдельные Т‑клетки, что позволило измерять простые признаки формы — площадь клетки, степень её вытянутости и округлость контура. Вместо того чтобы просить ИИ различать каждую тонкую фазу перехода, команда объединила клетки в два ключевых состояния: те, что всё ещё находятся на или в стенке сосуда, и те, что полностью пересекли на противоположную сторону.

Чему научилась нейросеть

Используя фреймворк Keras/TensorFlow, исследователи обучили модель глубокого обучения классифицировать каждую сегментированную клетку как «трансмигрировавшую» или «ещё не трансмигрировавшую» на основе этих признаков формы. Модель выявила, что вытянутые клетки с высоким отношением сторон с большей вероятностью находятся в процессе перехода или уже завершили его, тогда как более округлые клетки обычно остаются прикреплёнными со стороны крови. При проверке на новых, ранее невидимых изображениях система правильно определяла транспигрировавшие клетки с точностью более 93% и нетрансмигрировавшие примерно с 88% точностью, что с запасом превышает общие критерии для надёжной автоматической классификации. То, что раньше требовало около десяти часов тщательной ручной оценки двумя ослеплёнными экспертами, теперь можно выполнить за считанные минуты с улучшенной согласованностью и практически без операторской предвзятости.

Тестирование иммунных клеток от здоровых людей и пациентов с раком

Чтобы показать работоспособность метода в условиях реального разнообразия, команда применила свой ИИ‑поддерживаемый тест к Т‑клеткам доноров‑здоровых людей разных возрастов и полов, а также к пациентам с протоковой аденокарциномой поджелудочной железы — раком, известным своим враждебным опухолевым микроокружением и слабой инфильтрацией иммунными клетками. У здоровых доноров не обнаружилось значительных различий в способности пересекать стенку по возрасту или полу. Напротив, Т‑клетки пациентов с раком поджелудочной были заметно хуже в завершении перехода через эндотелий по сравнению с Т‑клетками здоровых людей — независимо от наличия распространённой мутации KRAS или от того, получал ли пациент химиотерапию. Эти предварительные результаты свидетельствуют о том, что опухолевая среда может оставлять длительный след на иммунных клетках, ослабляющий их способность эффективно мигрировать.

Новый инструмент для изучения и настройки иммунного трафика

Объединив реалистичный потоковый тест с глубоким обучением, авторы создали практичную платформу, которая превращает сложные последовательности изображений в быстрые, стандартизированные измерения того, насколько хорошо клетки пересекают стенки сосудов. Подход достаточно гибок, чтобы его можно было дообучить для других типов иммунных клеток, опухолевых клеток или эндотелия, характерного для различных органов, и его можно расширить до более сложных трёхмерных моделей сосудов в будущем. Для неспециалистов ключевое сообщение таково: наблюдение и оценка трафика иммунных клеток больше не обязаны быть медленным ручным ремеслом — с помощью ИИ это может стать надёжным высокопроизводительным инструментом, который поможет учёным понять, почему некоторые иммунные ответы не срабатывают, и как новые терапии могут восстановить способность клеток достигать тех тканей, где они наиболее нужны.

Цитирование: 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

Ключевые слова: трафик иммунных клеток, трансэндотелиальная миграция, микроскопия с глубоким обучением, адгезионный тест при потоке, иммунитет при раке поджелудочной железы