ИИ проанализировал 70 млн клеток и выделил регуляторы аутофагии и STING

Около 70 миллионов клеток, снятых под микроскопом в ходе генетического скрининга, стали обучающим и аналитическим материалом для ИИ-системы, которая ищет гены-регуляторы аутофагии и сигнального пути STING. Об этой работе 12 октября 2026 года рассказал Jiqizhixin. Идея в том, чтобы читать по картинке то, что раньше требовало отдельного флуоресцентного репортёра под каждый процесс.

Почему форма клетки так трудно поддаётся анализу

Внутри клетки почти любое изменение оставляет видимый след. Органелла сместилась, появилась нетипичная структура, выросло число везикул, и за каждым из этих признаков может стоять конкретный биологический процесс. Проблема в том, что на форму клетки влияют сразу несколько генов и несколько клеточных программ. Фенотип получается многомерным, а не «включено» или «выключено».

Флуоресценция в этом смысле удобнее: сигнал есть или его нет, порог задать просто. Морфологию так не разметишь. Два нокаута могут дать похожие картинки по разным причинам, а один и тот же нокаут может выглядеть по-разному в соседних клетках. Именно на таких задачах нейросети для изображений дают преимущество перед ручными признаками.

Что известно о работе

В доступном фрагменте материала раскрыты лишь основные параметры. Название модели, авторы, архитектура и метрики качества в нём не приводятся.

• Масштаб данных: около 70 млн клеток.
• Формат данных: микроскопические изображения клеток после генетических возмущений.
• Что анализируется: морфологические признаки, включая положение органелл, аномальные внутриклеточные структуры и количество везикул.
• Биологические мишени: аутофагия, то есть утилизация повреждённых компонентов клетки, и путь STING, связанный с врождённым иммунным ответом.
• Результат: список генов, которые система связывает с регуляцией этих процессов.

Масштаб здесь важен по практической причине. В скрининге на каждое возмущение приходится множество клеток, и морфологический шум между ними велик. Без десятков миллионов наблюдений модели трудно отделить реальный эффект гена от случайных различий между клетками и партиями образцов.

Как оценивать результат

Пока опубликованных деталей мало, делать выводы о точности рано. Для биотех-команд и ML-инженеров, которые следят за подобными работами, есть несколько проверок.

Первая: подтверждены ли найденные гены независимыми экспериментами, например точечным нокаутом с классическим репортёром аутофагии. Скрининг без валидации остаётся списком гипотез.

Вторая: как модель переносится на другие клеточные линии и другие микроскопы. Морфологические модели хорошо запоминают особенности конкретной установки, и это частый источник завышенных метрик.

Третья: открыты ли данные и код. Набор из 70 млн клеточных изображений ценен сам по себе, потому что на нём можно сравнивать альтернативные архитектуры и пробовать другие мишени.

Если подход подтвердится, он удешевит поиск регуляторов процессов, для которых нет удобного флуоресцентного маркера. STING, например, интересен фармацевтике как мишень в иммунологии и онкологии. Команде, которая строит собственный пайплайн скрининга, имеет смысл заранее закладывать в съёмку контроль партий и единые протоколы окрашивания. Тогда морфологическая модель будет учиться на биологии, а не на артефактах оборудования.