Ackumulering av felveckade proteiner i hjärnan är centralt för utvecklingen av neurodegenerativa sjukdomar som Huntingtons, Alzheimers och Parkinsons. Men för det mänskliga ögat ser proteiner som är ämnade att bilda skadliga aggregat inte annorlunda ut än normala proteiner.
Bildandet av sådana aggregat tenderar också att ske slumpmässigt och relativt snabbt – inom loppet av några minuter. Förmågan att identifiera och karakterisera proteinaggregat är avgörande för att förstå och bekämpa neurodegenerativa sjukdomar.
Nu har forskare vid EPFL med hjälp av djupinlärning utvecklat ett ”självkörande” bildsystem som använder flera mikroskopimetoder för att spåra och analysera proteinaggregering i realtid – och till och med förutse den innan den börjar. Förutom att maximera bildens effektivitet minimerar metoden användningen av fluorescerande märkämnen, som kan förändra cellprovernas biofysiska egenskaper och hindra en korrekt analys.
”Det här är första gången vi har kunnat förutsäga bildandet av dessa proteinaggregat med sådan precision”, säger Khalid Ibrahim, som nyligen disputerade vid EPFL.
”Eftersom deras biomekaniska egenskaper är kopplade till sjukdomar och störningar i cellfunktionen kommer en förståelse av hur dessa egenskaper utvecklas under aggregeringsprocessen att leda till grundläggande kunskaper som är avgörande för att kunna utveckla lösningar.”
Ibrahim har publicerat detta arbete i Nature Communications tillsammans med Aleksandra Radenovic, chef för Laboratoriet för nanoskala biologi vid Ingenjörsvetenskapliga fakulteten, och Hilal Lashuel vid Fakulteten för livsvetenskaper, i samarbete med Carlo Bevilacqua och Robert Prevedel vid Europeiska molekylärbiologiska laboratoriet i Heidelberg, Tyskland.
Projektet är resultatet av ett långvarigt samarbete mellan Lashuel- och Radenovic-laboratorierna, som förenar kompletterande expertis inom neurodegeneration och avancerad bildteknik för levande celler.
”Detta projekt föddes ur en motivation att utveckla metoder som avslöjar nya biofysiska insikter, och det är spännande att se hur denna vision nu har burit frukt”, säger Radenovic.
Bevittna födelsen av ett proteinaggregat
I sitt första samarbete, ledd av Ibrahim, utvecklade teamet en deep learning-algoritm som kunde detektera mogna proteinaggregat när den presenterades för omärkta bilder av levande celler.
Den nya studien bygger vidare på det arbetet med en bildklassificeringsversion av algoritmen som analyserar sådana bilder i realtid: när algoritmen upptäcker ett moget proteinaggregat aktiveras ett Brillouin-mikroskop som analyserar spritt ljus för att karakterisera aggregatens biomekaniska egenskaper, såsom elasticitet.
Normalt sett skulle den långsamma avbildningshastigheten hos ett Brillouin-mikroskop göra det till ett dåligt val för att studera snabbt föränderliga proteinaggregat. Men tack vare EPFL-teamets AI-drivna tillvägagångssätt slås Brillouin-mikroskopet endast på när ett proteinaggregat upptäcks, vilket påskyndar hela processen och öppnar nya möjligheter inom smart mikroskopi.
”Detta är den första publikationen som visar den imponerande potentialen för självkörande system att integrera märkningsfria mikroskopimetoder, vilket bör göra det möjligt för fler biologer att anamma snabbt utvecklande smarta mikroskopitekniker”, säger Ibrahim.
Eftersom bildklassificeringsalgoritmen endast riktar sig mot mogna proteinaggregat behövde forskarna gå ännu längre om de ville fånga aggregatbildningen i aktion. För detta utvecklade de en andra djupinlärningsalgoritm och tränade den på fluorescerande märkta bilder av proteiner i levande celler.
Denna algoritm för detektering av ”aggregationsstart” kan skilja mellan nästan identiska bilder för att korrekt identifiera när aggregering kommer att inträffa med 91 % noggrannhet. När denna start upptäcks aktiverar det självkörande systemet återigen Brillouin-avbildning för att ge en aldrig tidigare skådad inblick i proteinaggregering. För första gången kan biomekaniken i denna process fångas dynamiskt medan den pågår.
Lashuel betonar att detta arbete, förutom att det innebär ett framsteg inom smart mikroskopi, har viktiga implikationer för läkemedelsutveckling och precisionsmedicin.
”Märkningsfria avbildningsmetoder skapar helt nya sätt att studera och rikta in sig på små proteinaggregat som kallas toxiska oligomerer, vilka tros spela en central roll i neurodegeneration”, säger han.
”Vi är glada över att kunna bygga vidare på dessa framsteg och bana väg för läkemedelsutvecklingsplattformar som kommer att påskynda effektivare behandlingar av neurodegenerativa sjukdomar.”
Mer information: Självstyrande mikroskopi upptäcker början av proteinaggregering och möjliggör intelligent Brillouin-avbildning, Nature Communications (2025).
