Vienošanās ar Centrālo finanšu un līgumu aģentūru (CFLA) 1.1.1.1/21/A/079.
Projektu līdzfinansē REACT-EU finansējums pandēmijas krīzes seku mazināšanai
Projekta zinātniskais vadītājs Dr.sc.ing. Roberts Kadiķis
Projekta mērķis: ir piemērot mašīnmācīšanās (ML) mikrofluidikai, pamatojoties uz atstarotās gaismas mikroskopiju, TEER (Trans Epithelial Electric Resistance) un O2 biosensoru datiem reālā laikā, lai OOC platformā audzētu dažādas šūnu kultūras (ieskaitot tās, kas iegūtas no pacientu paraugiem).
Projektu realizē Elektronikas un datorzinātņu institūts sadarbībā ar Latvijas Biomedicīnas pētījumu un studiju centru un Sabiedrība ar ierobežotu atbildību “Cellboxlab”
Ilgums: 23 mēneši
Sadarbības partneri:
Sabiedrība ar ierobežotu atbildību “Cellboxlab”
Latvijas Biomedicīnas pētījumu un studiju centrs
31.03.2022.
Pirmajā pārskata periodā esam izstrādājuši lēmumu koku datu klasifikācijai un izveidojuši pirmos datus par veiksmīgiem un neveiksmīgiem OOC audzēšanas eksperimentiem, lai izstrādātu AI modeļus OOC audzēšanas uzraudzībai. Mēs identificējām iespējamās pieejas sintētisko datu ģenerēšanai AI modeļu apmācībai. Ņemot vērā reālo datu raksturu, visdaudzsološāk pieeja ir sintētisko datu ģenerēšana, ģenerējot vienkāršas ģeometriskas formas un pēc tam tās deformēt. Šobrīd mēs veicam literatūras analīzi par šo tēmu. Mēs esam izpētījuši dažādu kompāniju objektīvus/kameras integrēšanai instrumentā, īpašu uzmanību pievēršot attēla kvalitātes, digitālām iespējām un apgaismojuma apstākļiem. Mēs esam sākuši darbu pie iepirkuma specifikācijas noteikšanas XYZ galdiņam ar piemērotu XY soli nepārtrauktai kanālu novērošanai un Z-soli veiksmīgai automātiskai fokusēšanai. Turklāt šajā laika posmā mēs iesaistījāmies projekta tēmas publicēšanā Rīgas Tehniskās universitātes studentu padomes organizētajā tiešsaistes intervijā Spiikiizi studijā ar nosaukumu “Kas būtu, ja?”.
28.06.2022.
EDI veica literatūras analīzi par jaunākajām pieejām bioloģisko šūnu sintētisko attēlu ģenerēšanai, deformējot vienkāršas ģeometriskas formas. Tika pētīta ģenerējošo tīklu-pretinieku (GAN) izmantošana sintētisku attēlu transformēšanai (tulkošanai) uz reāliem, kas ir nepieciešama, lai padarītu sintētiskos attēlus reālistiskākus.
26.09.2022.
EDI veica izpēti par dziļo neironu tīklu modeļu arhitektūrām, piemeklējot AimOOC uzdevumam atbilstošāko. Tika meklēti arī modeļi, kas priekštrennēti uz medicīnas attēliem. Tika apmācīts klasifikācijas modelis uz pirmajiem datiem, kas saņemti no partneriem, secinot, ka labam rezultātam nepieciešami papildus dati. Tādēļ tika arī izpētītas un apkopotas datu paplašināšanas iespējas, kas ļaus sintētiski pavairot apmācības piemērus.
5.12.2022.g.
EDI pētīja apmācības datu uzlabošanas un pavairošanas metodes. Tika apkopotas un analizētas dažādās Python bibliotēkās un ietvaros iekļautās paplašināšanas metodes, izvēloties un testējot projekta attēliem vislabāk piemērotās. Turpināts darbs pie sintētisku medicīnas datu ģenerēšanas, apzinot ne tikai ģenerējošo tīklu-pretinieku lietošanu, bet arī modernāku difūzijas modeļu lietošanu.
27.01.2023.g.
Iesniegts maksājuma pieprasījums MP4R par periodu 01.10.2022.g-31.12.2022.g.
28.02.2023.g.
Iesniegta atskaite projekta rezultātu zinātniskās kvalitātes izvērtēšanai vidusposmā.
01.01.2023.g.-31.03.2023.g.
Noslēdzot darbu pie datu augmentācijas metodes, EDI turpina darboties pie klasifikācijas modeļu apmācības, sadalot pieejamos šūnu attēlus pēc laika un šūnu līnijām, atbilstoši iepriekš izstrādātajam lēmumu kokam. Rezultātu uzlabošanai, šobrīd notiek darbs piesekojošiem uzdevumiem:
- attēli tiek apmācīti, sadalot tos mazākās vienībās – četrstūros, nezaudējot attēla detaļas un palielinot attēlu skaitu;
- tiek veikts darbs pie sintētisko attēlu ģenerēšanas ar Stabilas difūzijas palīdzību, lai palielinātu datu apjomu un līdz ar to arī klasifikatora precizitāti.
Šajā periodā Cellbox Labs ir izveidojis 32 papildu orgānu čipu iekārtas un uzsāka darbu pie 4.1. uzdevuma programmaparatūras integrācijas ar algoritmu, kā arī turpināja darbu pie TEER un skābekļa sensoriem. Lai paātrinātu ar algoritmu vadīto plūsmas ātruma regulējumu sākotnējo pielietojumu, tiks izveidots īpašs lietotāja interfeiss vēlamā plūsmas ātruma manuālai ievadīšanai. EDI izstrādātais AI algoritms pašlaik izmanto plūsmas ātruma datus, nevis bīdes spēka datus attēla marķēšanā, tāpēc pirmajā interfeisa versijā tiks izmantoti plūsmas ātruma dati.
LBMC izveidoja papildus 900 gaismas mikroskopa (BF) attēlus, izmantojot esošās plaušas uz čipa, plaušu vēzis uz čipa un zarnas uz čipa, izmantojot WP2 izstrādāto vizualizācijas sistēmu. Turklāt tika izveidoti arī BF attēli un Hoechst krāsojums, kas pārklājās ar BF attēliem, lai palīdzētu algoritmā izstrādē.
Turklāt CellboxLabs piedalījās divos LBMC un Rīgas Tehniskās Universitātes rīkotajos semināros. Pirmais seminārs bija par biomedicīnas pētījumu lomu zināšanu ekonomikā un biotehnoloģiju jaunuzņēmumu veiksmes stāstiem, bet otrais seminārs bija veltīts pārejai no universitātes uz industriju. Šajos semināros CellboxLabs iepazīstināja ar savām projektu idejām un virzienu plašākai zinātnes un industrijas auditorijai.
28.04.2023.g.
Iesniegts maksājuma pieprasījums MP5R par periodu 01.01.2023.g-31.03.2023.g.
30.05.2023.g.
Veikta projekta īstenošanas attālinātā pārbaudē.
1.04.2023.g. – 30.06.2023.g.
EDI strādāja pie attēlu klasifikatoru precizitātes uzlabošanas. Tika trenētas dažādas dziļo neironu tīklu arhitektūras, izmantojot gan ar klasiskām datu paplašināšanas metodēm papildinātos datus, gan ar difūzijas modeļiem sintezētos attēlus. Saņemot jaunus datus no partneriem, EDI veidoja arī jaunas apmācībai izmantojamas datukopas, arvien paplašinot arī apmācībā izmantoto reālo attēlu skaitu. Apmācīti mopdeļi validāti uz reāliem attēliem, un šo eksperimentu rezultāti aprakstīti konferences rakstā “Synthetic Image Generation With a Fine-Tuned Latent Diffusion Model for Organ on Chip Cell Image Classification”, kas pieņemts konferencē SPA 2023: Signal Processing – Algorithms, Architectures, Arrangements, and Applications. Sintētisko datu uzlabošanai, EDI pētīja papildus attēlu ģenerēšanas pieejas, kas joprojām balstās uz difūsijas modeļiem, bet sintezē attēlus nevis no nejauša trokšņa, bet gan modificē esošos reālos attēlus.
Strādājot pie apmācīto modeļu integrācijas ar projektā izstrādāto prototipu, EDI pētījā iegulto skaitļošanas platformu parametrus, lai nonāktu līdz prototipā izmantojamam variantam.
28.07.2023.g.
Iesniegts maksājuma pieprasījums MP6R par periodu 01.04.2023.g-30.06.2023.g.
Projekta AimOOC sasniegumi tiek demonstrēti 29.09.2023.g. Zinātnieku nakts 2023 ietvaros.
Projekta sasniegumu apkopojums.
Projekta laikā mēs veiksmīgi uzņēmām vairāk nekā 4000 gaismas mikroskopa attēlu gan no veiksmīgiem, gan neveiksmīgiem eksperimentiem, kuros bija iesaistīti orgāni uz čipa (OOC) modeļi, kas iegūti no sešām atšķirīgām šūnu līnijām dažādos laika punktos. Šie attēli ir publiski pieejami repozitorijā, tādējādi uzlabojot mūsu datu pieejamību. Turklāt mūsu komanda ir iesniegusi visaptverošu rakstu, kurā sīki aprakstīta mūsu datu vākšanas metodoloģiju.
Papildus mūsu attēlveidošanas sasniegumiem mēs esam izstrādājuši reālā laika gaismas mikroskopa attēlveidošanas sistēmu, kas īpaši izstrādāta OOC pielietojumam. Šī novatoriskā sistēma tika efektīvi izmantota visa projekta laikā. Turklāt mēs izveidojām mašīnmācīšanās algoritmu, kas pielāgots iegūto attēlu, kā arī sintētiski ģenerēto attēlu analīzei. Šī algoritma izstrāde un iespējamie pielietojumi ir aprakstīti atsevišķā rakstā, ko esam iesnieguši.
Tika sasniegts nozīmīgs rezultāts, kad mēs pārbaudījām šo algoritmu un ar to saistītos automatizētos lēmumu pieņemšanas procesus pacientu atvasinātos iPSC plaušu uz čipa un plaušu vēža uz čipa modeļos. Šo testu rezultāti ir noveduši pie secinājuma, ka, lai gan modelis, kas balstīts uz stabilām šūnu līnijām, ir stabils, tas prasa turpmāku pilnveidošanu, izmantojot datus, kas iegūti tieši no pacientu modeļiem.
Mūsu projekta sasniegumi tika prezentēti trīs starptautiskās konferencēs, kurās mūsu komanda prezentēja rezultātus un metodiku. Turklāt mēs sagatavojām un iesniedzām divus pētniecības rakstus, piedāvājot dziļāku ieskatu mūsu atklājumos. Tika apkopots un iesniegts arī projekta noslēguma ziņojums, kurā ietverts detalizēts visu veikto uzdevumu un to rezultātu pārskats, kas liecina par šī vērienīgā projekta veiksmīgu pabeigšanu.
Publikācijas
Maksims Ivanovs, Laura Leja, Karlis Zviedris, Roberts Rimsa, Karina Narbute, Valerija Movcana, Felikss Rumnieks, Arnis Strods, Kevin Gillois, Gatis Mozolevskis, Arturs Abols and Roberts Kadiķis “Synthetic Image Generation With a Fine-Tuned Latent Diffusion Model for Organ on Chip Cell Image Classification” 2023 Signal Processing: Algorithms, Architectures, Arrangements, and Applications (SPA) DOI: 10.23919/SPA59660.2023.10274460 ; https://ieeexplore.ieee.org/abstract/document/10274460
Valērija Movčana, Arnis Strods, Karīna Narbute, Fēlikss Rūmnieks, Roberts Rimša, Gatis Mozoļevskis, Maksims Ivanovs, Roberts Kadiķis, Kārlis Gustavs Zviedris, Laura Leja, Anastasija Zujeva, Tamāra Laimiņa, Arturs Abols “Organ-on-a-Chip (OOC) Image Dataset for Machine Learning and Tissue Model Evaluation” MDPI DATA DOI:10.3390/data9020028 https://www.mdpi.com/2306-5729/9/2/28
Konferences
Maksims Ivanovs, Laura Leja, Karlis Zviedris, Roberts Rimsa, Karina Narbute, Valerija Movcana, Felikss Rumnieks, Arnis Strods, Kevin Gillois, Gatis Mozolevskis, Arturs Abols and Roberts Kadiķis ” Synthetic Image Generation With a Fine-Tuned Latent Diffusion Model for Organ on Chip Cell Image Classification” SPA 2023 SIGNAL PROCESSING 20TH-22ND SEPTEMBER 2023-POZNAN,POLAND
Iesaistītie zinātnieki
