L’apprendimento automatico può contribuire a migliorare la produzione di farmaci dalla coltura cellulare perfezionando e quantificando gli esperimenti sui terreni di coltura cellulare. Questa è l’opinione di Bei-Wen Ying, PhD, ricercatore dell’Università di Tsukuba in Giappone.
Ying, che ha presentato il progetto al PEGS Europe a novembre, ritiene che gli esperimenti per ottimizzare i terreni di crescita cellulare debbano essere riproducibili. Tuttavia, tradizionalmente questo non è stato il caso delle scienze della vita.
“Per i biologi e gli scienziati della vita, migliorare le colture cellulari per aumentare la produzione (di farmaci) è una sorta di arte”, spiega.
“Possiamo realizzare automobili e razzi complicati, ma non possiamo nemmeno produrre la cellula più piccola e, quindi, per i biologi delle colture cellulari, migliorare la produttività (tradizionalmente dipende) dalla loro conoscenza ed esperienza (personale).
Approccio basato sui dati
Come spiega, questo approccio pratico può portare a problemi. “Non esiste una regola per l’ottimizzazione media. Ecco perché è un’arte”, spiega.
Mentre, al contrario, l’apprendimento automatico è un approccio basato sui dati per trovare il mezzo più produttivo tra innumerevoli combinazioni possibili, aggiunge.
Durante gli esperimenti che coinvolgono l’informatica, qualsiasi esperimento deve essere eseguito quantitativamente ogni volta nello stesso modo.
“È necessario cambiare il modo in cui vengono condotti gli esperimenti biologici, utilizzando la scienza dei dati e l’apprendimento automatico per garantire che vengano eseguiti in modo controllato e predittivo”, afferma Ying.
L’implementazione dell’apprendimento automatico richiede enormi quantità di dati da analizzare da parte degli algoritmi, che a loro volta necessitano della robotica. Il team di Ying ha eseguito un esperimento utilizzando l’apprendimento automatico sui dati raccolti da lettori di piastre automatizzati. Questi dati raccolti da piastre da 96 pozzetti contenevano cellule in diverse condizioni di coltura.
Grandi set di dati possono essere utilizzati dall’apprendimento automatico per fare previsioni per una migliore scelta delle condizioni dei media di coltura, afferma. Ad esempio, il team ha scoperto che esiste un compromesso tra la velocità di crescita cellulare, il tasso di divisione cellulare e la massima concentrazione di cellule.
“Il modello ti dice che o hai bisogno di più cellule oppure che queste debbano crescere velocemente: non puoi avere entrambe le cose”, dice.
Inoltre, spiega, l’esperimento modello mostra che, per una rapida crescita cellulare, i solfuri e/o altri componenti potrebbero essere più importanti del glucosio come componente del nutrimento cellulare.
Come spiega, queste previsioni possono aiutare a ottimizzare e migliorare la produttività delle cellule nel settore manifatturiero e non sarebbero possibili senza l’apprendimento automatico.
“Se non lavorassi su questi studi”, dice, “penseresti che il glucosio come fonte di carbonio (per le cellule) fosse la soluzione migliore”.
