La medicina rigenerativa rappresenta ad oggi uno dei settori più promettenti della biologia cellulare. Secondo gli ultimi dati OMS le malattie croniche sono responsabili del 70% dei decessi globali. Se da una parte le cure farmacologiche riescono a rallentare il decorso della malattia, dall’altra non sono però in grado di invertirne il processo degenerativo. In questo contesto la medicina rigenerativa apre a una serie di soluzioni promettenti, figlie di nuove tecniche di ingegneria tissutale e della ricerca di nuovi biomateriali. L’implementazione di queste nuove tecnologie necessita della caratterizzazione di alcuni processi biologici, come la proliferazione e la migrazione cellulare. Tali processi risultano sempre meglio indagabili grazie alla diffusione della microscopia a fluorescenza, una tecnologia con la quale è possibile scomporre visivamente la cellula nelle sue strutture essenziali oltre che poterne individuare le diverse fasi del ciclo vitale. D’altro canto questo metodo presenta alcune sfide ancora aperte: il photobleaching e l’effetto fototossico delle sorgenti laser, altamente dannoso per le cellule vive, sono problemi che rendono difficile l'acquisizione di questi progetti su intervalli temporali lunghi, come quelli necessari alla medicina rigenerativa. Tali problematiche limitano il raggiungimento di un buon signal to noise ratio, con conseguenze dirette in termini di contrasto e risoluzione delle immagini. L’avvento dell’intelligenza artificiale nel mondo delle bioimmagini, in particolare del Deep Learning, sta contribuendo a superare i limiti dell’Image Analysis tradizionale ad esempio riducendo la quantità di rumore a parità di segnale o aumentando la risoluzione di un’immagine senza degradarne l’informazione. Tra le numerose applicazioni vi è quella di una rete neurale per image-to-image translation in grado ridurre il photodamage nelle acquisizioni di più strutture biologiche di interesse semplicemente acquisendo un canale e usandolo per predirne un altro. Ad esempio, partendo dall’acquisizione di immagini dell'apparato contrattile della cellula (il citoscheletro) si possono predire la grandezza e la posizione del nucleo, dove è depositato il codice genetico. In questo progetto di tesi è stato verificato e validato il funzionamento della rete neurale pix2pix per poi testarne l’utilizzo in un caso di studio reale come il wound healing assay.
Validazione di una rete neurale per image-to-image translation tramite metriche quantitative e morfologiche con applicazione a uno studio di migrazione cellulare
ROSSI, ARMANDO OSCAR
2021/2022
Abstract
La medicina rigenerativa rappresenta ad oggi uno dei settori più promettenti della biologia cellulare. Secondo gli ultimi dati OMS le malattie croniche sono responsabili del 70% dei decessi globali. Se da una parte le cure farmacologiche riescono a rallentare il decorso della malattia, dall’altra non sono però in grado di invertirne il processo degenerativo. In questo contesto la medicina rigenerativa apre a una serie di soluzioni promettenti, figlie di nuove tecniche di ingegneria tissutale e della ricerca di nuovi biomateriali. L’implementazione di queste nuove tecnologie necessita della caratterizzazione di alcuni processi biologici, come la proliferazione e la migrazione cellulare. Tali processi risultano sempre meglio indagabili grazie alla diffusione della microscopia a fluorescenza, una tecnologia con la quale è possibile scomporre visivamente la cellula nelle sue strutture essenziali oltre che poterne individuare le diverse fasi del ciclo vitale. D’altro canto questo metodo presenta alcune sfide ancora aperte: il photobleaching e l’effetto fototossico delle sorgenti laser, altamente dannoso per le cellule vive, sono problemi che rendono difficile l'acquisizione di questi progetti su intervalli temporali lunghi, come quelli necessari alla medicina rigenerativa. Tali problematiche limitano il raggiungimento di un buon signal to noise ratio, con conseguenze dirette in termini di contrasto e risoluzione delle immagini. L’avvento dell’intelligenza artificiale nel mondo delle bioimmagini, in particolare del Deep Learning, sta contribuendo a superare i limiti dell’Image Analysis tradizionale ad esempio riducendo la quantità di rumore a parità di segnale o aumentando la risoluzione di un’immagine senza degradarne l’informazione. Tra le numerose applicazioni vi è quella di una rete neurale per image-to-image translation in grado ridurre il photodamage nelle acquisizioni di più strutture biologiche di interesse semplicemente acquisendo un canale e usandolo per predirne un altro. Ad esempio, partendo dall’acquisizione di immagini dell'apparato contrattile della cellula (il citoscheletro) si possono predire la grandezza e la posizione del nucleo, dove è depositato il codice genetico. In questo progetto di tesi è stato verificato e validato il funzionamento della rete neurale pix2pix per poi testarne l’utilizzo in un caso di studio reale come il wound healing assay.È consentito all'utente scaricare e condividere i documenti disponibili a testo pieno in UNITESI UNIPV nel rispetto della licenza Creative Commons del tipo CC BY NC ND.
Per maggiori informazioni e per verifiche sull'eventuale disponibilità del file scrivere a: unitesi@unipv.it.
https://hdl.handle.net/20.500.14239/15081