Ein Durchbruch an der University of Alabama in Birmingham, wo Deep Learning zur schnelleren Beurteilung der Herzgesundheit bei Fruchtfliegen eingesetzt wird, könnte den Weg für neue Erkenntnisse über menschliche Herzerkrankungen ebnen.
In einem beeindruckenden Sprung nach vorne für die biomedizinische Forschung hat ein Team der University of Alabama in Birmingham (UAB) Deep-Learning-Technologie eingesetzt, um die Art und Weise zu verändern, wie Wissenschaftler die Alterung und Erkrankungen des Herzens anhand von Fruchtfliegen, wissenschaftlich Drosophila genannt, untersuchen. Dieser technologische Fortschritt kann die Herzforschung erheblich beschleunigen und menschliche Fehler reduzieren und verspricht neue Möglichkeiten in der Erforschung von Herzkrankheiten, die letztendlich der menschlichen Gesundheit zugute kommen könnten.
Fruchtfliegen gelten seit langem als zuverlässiges Modell zur Erforschung menschlicher Herz-Kreislauf-Erkrankungen. Die Messung von Herzfunktionen wie Ausdehnung und Kontraktion erforderte jedoch traditionell zeitaufwändige menschliche Eingriffe. Unter der Leitung von Girish Melkani, außerordentlicher Professor am Institut für Pathologie der UAB, Abteilung für Molekulare und Zelluläre Pathologie, haben die UAB-Forscher eine Methode entwickelt, die Deep Learning und Hochgeschwindigkeits-Videomikroskopie nutzt, um diese Messungen zu automatisieren.
„Unsere Methode des maschinellen Lernens ist nicht nur schnell; sie minimiert auch menschliche Fehler, da man nicht jede Herzwand unter systolischen und diastolischen Bedingungen manuell markieren muss“, sagte Melkani in einem Pressemitteilung„Darüber hinaus können Sie die Analyse von mehreren hundert Herzen durchführen und sich die Analysen ansehen, wenn sie für alle Herzen abgeschlossen sind.“
Dieser Ansatz eröffnet die Möglichkeit, umfassender zu untersuchen, wie verschiedene Umwelt- und genetische Faktoren die Alterung und Pathologie des Herzens beeinflussen. Mögliche Modelle für zukünftige Studien sind Zebrafische und Mäuse, die wie Fruchtfliegen für die Herz-Kreislauf-Forschung von unschätzbarem Wert sind.
„Darüber hinaus könnten unsere Techniken für menschliche Herzmodelle angepasst werden und wertvolle Einblicke in die Gesundheit und Krankheit des Herzens liefern“, fügte Melkani hinzu. „Darüber hinaus kann der maschinelle Lernansatz die Alterung des Herzens mit hoher Genauigkeit vorhersagen.“
Das Forschungsteam der UAB testete sein Modell sowohl an alternden Herzen als auch an einem Fruchtfliegenmodell mit dilatativer Kardiomyopathie, die durch die Ausschaltung eines kritischen Enzyms, der Oxoglutarat-Dehydrogenase, verursacht wird. Sie trainierten ihr automatisiertes Modell mit 54 Herzen und validierten es mit weiteren 177 Herzen, wobei sie die erwarteten Trends der Herzalterung erfolgreich nachbildeten.
Melkani betonte, dass ihr Modell mit handelsüblicher Hardware umgesetzt werden könne. Der vom Team generierte Analysecode kann eine Reihe wichtiger Herzstatistiken berechnen, darunter diastolische und systolische Durchmesser, fraktionale Verkürzung, Auswurffraktion, Herzfrequenz und Herzrhythmusstörungen.
„Unseres Wissens ist diese innovative Plattform für Deep Learning-gestützte Segmentierung die erste ihrer Art, die auf die standardmäßige hochauflösende Hochgeschwindigkeits-Lichtmikroskopie von Drosophila-Herzen angewendet wird und gleichzeitig alle relevanten Parameter quantifiziert“, sagte Melkani.
Diese bahnbrechende Technik verspricht eine Wende in der Erforschung der Herzfunktion bei Fruchtfliegen und anderen Tieren.
„Indem wir den Prozess automatisieren und detaillierte Herzstatistiken liefern, ebnen wir den Weg für genauere, effizientere und umfassendere Studien der Herzfunktion bei Drosophila. Diese Methode birgt ein enormes Potenzial – nicht nur für das Verständnis von Alterung und Krankheiten bei Fruchtfliegen – sondern auch für die Übertragung dieser Erkenntnisse in die menschliche Herz-Kreislauf-Forschung“, fügte Melanie hinzu.
Das Studiemit dem Titel „Automatische Bewertung der Herzdynamik in Drosophila-Modellen mit alternder und dilatativer Kardiomyopathie mittels maschinellem Lernen“ wurde in Communications Biology veröffentlicht.