„Dla użytkownika tego rozwiązania wszystko wydaje się być bardzo proste. Do systemu informatycznego należy przesłać zrobione pod mikroskopem zdjęcia mikroorganizmów. W odpowiedzi system generuje raport z wykazem konkretnych gatunków bakterii czy grzybów, które są obecne w badanym materiale. Cała operacja zajmuje nie więcej niż minutę” – tłumaczy dr hab. Bartosz Zieliński, prof. UJ, z Instytutu Informatyki i Matematyki Komputerowej UJ.

 

To, co wydaje się być proste od strony operatora systemu, jest dużo bardziej złożone od strony technologii niezbędnej do uruchomienia takiego rozwiązania. A stoją za nim m.in. głębokie sieci neuronowe oraz blisko dziesięcioletnie rezultaty interdyscyplinarnych prac badawczych prowadzonych pod kierunkiem prof. dr hab. Moniki Brzychczy-Włoch, kierownika Zakładu Molekularnej Mikrobiologii Medycznej UJ oraz dr hab. Bartosza Zielińskiego, prof. UJ, z Instytutu Informatyki i Matematyki Komputerowej UJ.

 

„Wszystko zaczęło się od pomysłu rzuconego przed kilkoma laty, by spróbować połączyć siły zespołu informatyków i mikrobiologów. Zadaliśmy sobie pytanie, czy da się nauczyć sztuczną inteligencję rozpoznawać konkretne gatunki bakterii w obrazach widzianych pod mikroskopem .Na szczęście informatycy podjęli to wyzwanie i dziś mamy technologię, która jest gotowa do testowania w warunkach klinicznych” – mówi prof. dr hab. Monika Brzychczy-Włoch.

 

Nowe rozwiązanie działa dzięki specjalnie zoptymalizowanym głębokim sieciom neuronowym. Nowoczesne technologie pracują w oparciu o obrazy mikroskopowe, przedstawiające gatunki zarówno bakterii, jak i grzybów drożdżopodobnych. System analizuje te obrazy w celu detekcji mikroorganizmów w materiale biologicznym, a także ich precyzyjnej identyfikacji. Jak podkreśla dr hab. Bartosz Zieliński, prof. UJ, jednym z wyzwań na etapie doskonalenia rozwiązania było przystosowanie sieci neuronowych do efektywnej analizy w oparciu o ograniczone ilości danych wejściowych. Co do zasady, sieci neuronowe pracują na ogromnych ilościach danych, tu natomiast zespoły badaczy dysponowały stosunkowo niewielką jak na sieci neuronowe liczbą obrazów klinicznych oraz materiałów z hodowli mikroorganizmów. To wymagało prowadzenia szeregu prac, które adaptowały specyfikę sieci neuronowych na potrzeby tak konkretnego wyzwania.

 

„Pierwsze nasze badania były stosunkowo łatwe i postępowały szybko. Szczególnie gdy rozwiązanie miało identyfikować mikroorganizmy na podstawie fotografii z hodowli ściśle określonych bakterii czy grzybów. Schody pojawiają się jednak w sytuacji, gdy katalog mikroorganizmów, które system może rozpoznać, ulega ciągłemu poszerzaniu, a na zdjęciach z mikroskopu widać duże zagęszczenia wielu typów bakterii. W takich sytuacjach identyfikacja gatunków jest trudna, a dla ludzkiego oka niemożliwa. Dopracowanie algorytmów na tym poziomie i uzyskanie satysfakcjonującego poziomu predykcji, czyli przekraczającego 90 procent, uważam za nasze spore osiągnięcie” – dodaje dr hab. Bartosz Zieliński, prof. UJ.

 

Co ważne, na podstawie analizy obrazu morfologii mikroorganizmów stworzona technologia umożliwia identyfikację do poziomu konkretnego gatunku. Warunek ten jest spełniony, nawet gdy materiał zawiera w sobie kilka typów bakterii. Obecnie system jest w stanie zidentyfikować kilkadziesiąt gatunków bakterii oraz grzybów drożdżopodobnych. Jak zaznaczają twórcy rozwiązania, nie ma ono żadnych ograniczeń jeśli chodzi o dalszy rozwój i zdolności diagnostyczne. Docelowo system rozpozna każdy gatunek, o ile wcześniej się z nim zaznajomi i go nauczy. Dlatego właśnie badacze z UJ budując systemową bibliotekę mikroorganizmów, zaczęli od tych patogenów, które spotykane są najczęściej. Na kolejnych etapach będą „uczyć” system rozpoznawania gatunków, które rzadziej występują w materiałach biologicznych.

 

W opinii badaczy system może skutecznie identyfikować nie tylko bakterie czy grzyby, ale także pierwotniaki, w tym na przykład jednokomórkowe zarodźce malarii. Opracowana technologia może stanowić ciekawą alternatywę dla stosunkowo kosztownych w użyciu narzędzi metod diagnostycznych, takich jak Real-time PCR, MALDI TOF, czy innych metod, które – co warto podkreślić – również nie dają informacji zwrotnej natychmiast. Poza zastosowaniami klinicznymi może się ona sprawdzać również w innych obszarach – w zasadzie wszędzie tam, gdzie konieczne jest prowadzenie mikroskopowych badań pod kątem wykrywania oraz identyfikacji mikroorganizmów.

 

„Opracowany przez nas system może docelowo pełnić funkcję samodzielnego i autonomicznego narzędzia do identyfikowania mikroorganizmów w badanych materiałach biologicznych, jak również może być wsparciem czy uzupełnieniem dla dotychczas stosowanych metod laboratoryjnych. Wszystko zależy od przyjętego w laboratorium modelu. Ważne jest natomiast to, że wynik badania dostarczany jest praktycznie natychmiast od momentu wgrania zdjęcia do systemu. To kluczowa kwestia w sytuacjach, gdy pacjent już ma rozwinięte zakażenie i potrzebna jest szybka diagnoza, na przykład po to, by natychmiast wdrożyć odpowiednie leczenie” – wyjaśnia prof. dr hab. Monika Brzychczy-Włoch.

 

UJ zamierza wprowadzić nową technologię do użytku klinicznego możliwie szybko. Aby to się stało, konieczne jest jednak przeprowadzenie dalszych badań z udziałem klinicznych materiałów biologicznych, a także przejście szeregu procedur wymaganych do dopuszczenia technologii do zastosowania laboratoryjnego. „Do przejścia kolejnych etapów potrzebny nam jest partner branżowy oraz dodatkowe finansowanie badań. Oczywiście nie wykluczamy finansowania prac badawczych z udziałem środków publicznych czy unijnych, ważne jest jednak, by doskonalenie zdolności technologicznej tej metody przeprowadzać z podmiotem branżowym posiadającym odpowiednie doświadczenie. To zdecydowanie przyśpieszy komercjalizację” – ocenia dr hab. inż. Gabriela Konopka-Cupiał, Dyrektor Centrum Transferu Technologii UJ, CITTRU.

 

Opracowane rozwiązanie zostało objęte ochroną prawną na terenie UE. Jak podkreślają twórcy na etapie badania zdolności patentowej wykazano, iż jest to pierwsza tego rodzaju technologia opracowana na świecie.