Guckelsberger 和同事在那一年开发了一种对实验室培养细胞中抗体和病毒抗原之间相互作用的数字显微图像进行自动分类的方法。 计算机本质上是学习检测患者是否具有抗冠状病毒抗体。
除了诊断之外，该方法还使研究人员能够深入了解细胞中的哪些特征表明阳性结果、存在什么样的抗体反应，并允许他们仅根据图像来预测 COVID-19 抗体阳性样本的可能性。
由计算机分类的相同样本图像也被展示给专家病毒学家，他们将它们评定为冠状病毒抗体阳性或阴性。 “我们的方法可以与人类专家的分类水平相匹配，”Guckelsberger 说，“而且速度要快得多。 此外，它还可以告诉我们何时出现不明确的结果，需要专家仔细观察。”
该项目的结果最近发表在 细胞报告方法，还表明该方法与广泛使用的检测（如 ELISA）具有可比性，并且在某些方面优于 ELISA。
“我们使用细胞，而不是纯化的病毒蛋白，作为我们测定的基础，这更接近真实的生理学，”主要作者说 维利亚·皮耶蒂艾宁 赫尔辛基大学芬兰分子医学研究所 (FIMM) 的博士。
“因为一切都是完全自动化的，所以我们的吞吐量很高，而且我们还可以获得可以向病毒学家或病理学家展示的数字图像，而无需他们去显微镜旁观察。 甚至可以在移动设备上检查结果。 我们可以计算受感染细胞的数量，因此我们拥有定量数据和视觉效果。”
Pietiäinen 解释说，在大流行初期，由于早期在病毒学、成像和药物反应研究方面的国际和当地合作，研究团队得以迅速组建。
“那时，我们需要一种高通量抗体检测方法，以表明一个人是否感染了 SARS-CoV-2。 从那时起，SARS-CoV-2的诊断、检测和抗体反应有了很大的改进”，例如广泛熟悉的聚合酶链反应（PCR）测试或直接直接检测的抗原测试（例如鼻拭子）测量体内病毒的存在。
相比之下，Pietiäinen、Guckelsberger 及其同事开发的测试测量抗体，它告诉我们免疫系统如何识别病毒并产生不同类型的抗体。
基于机器学习的分析，自动化工作流程。 图片来源：Minttu Polso/阿尔托大学
Guckelsberger 说：“当你只有几个样本、对某种疾病知之甚少或者可能无法进入高级生物安全实验室时，我们的管道可能非常有价值。”他补充说，它可以在任何地方使用，无论位置如何。样品制备设备或显微镜类型。 事实上，该管道具有多种用途，可以测试任何细菌。
“我们设计的测试可用于任何新出现的病原体，从而增强我们应对未来流行病的准备，”Pietiäinen 说。 “某些成分应该针对每种新病毒进行优化，但该检测的优点在于它可以用于不同的目的。 它已经被用来研究像普马拉病毒这样的人畜共患病毒。”
研究小组正在使用其他基于细胞的自动化检测，以及人工智能引导的图像分析方法，来研究对 SARS-CoV-2 的药物反应，并确定可以杀死患者来源的癌细胞的药物 体外.
除了发表他们的作品并为更好地了解这一流行病做出贡献之外，Guckelsberger 和 Pietiäinen 还分享了这个项目教给他们的共同见解。
“当世界上出现重大问题时，我们作为科学家不能单独工作。 来自不同领域、不同大学和国家的专家需要为了一个共同的目标聚集在一起——在我们的例子中，包括数据科学家、临床医生、计算机科学家、生物化学家，”Pietiäinen 说。
“在一个大团队中工作是令人着迷的，这在计算机科学领域并不常见，”Guckelsberger 回应道。
“一个巨大的挑战是从不同的专业角度进行沟通，例如理解从湿实验室程序到参数再到数据和图像的管道两端发生的情况。 同时，这是一次奇妙的学习经历，我希望将来能有更多这样的经历。”
Guckelsberger 表示，虽然他们在管道的每个组成部分都采用了成熟的机器学习，但在生物学家和计算机科学家之间建立联系是真正的进步之一。 使用技术解决生物学问题对 Pietiäinen 来说也是一个很大的收获。
“将显微镜与机器学习相结合，不仅对于 SARS-CoV-2，而且对于观察对药物的个性化反应或观察罕见遗传疾病的细胞表型，都是强大的。 一图胜千言，这里也是如此。”
Sumber: 阿尔托大学
