Szkizofrén betegből származó idegsejtek kalcium-jeleinek elemzése Gaussian Mixture és véletlen erdő modellekkel

Absztrakt (kivonat)

A Semmelweis Egyetem Pszichiátriai Klinika és az ELKH-TTK Humán Pluripotens Őssejt Laboratóriumának együttműködésében a szkizofrénia biológiai alapjait vizsgáljuk. A laboratóriumban egy sejtes modellrendszer beállítása folyik, melyben a betegséget kísérő mutációk hatása vizsgálható. A modell potenciális gyógyszercélpontok jellemzését teheti lehetővé. Kontroll és mutáns sejtvonalak összevetésével az egészséges és kóros idegsejtműködés közötti eltéréseket elemezzük. Ezen eltérések többek közt a sejt kalcium (Ca2+) szintjén keresztül monitorozhatók. A sejtkultúra Ca2+ szintjét először beavatkozás nélkül mértük, megkeresve a nyugalmi alapvonal szintet. Ezután ingerlő anyaggal váltottunk ki neuronokra jellemző tipikus Ca2+ jeleket. Kutatási célom, hogy automatizált módszert adjak az alapvonal meghatározására. Ennek pontos megadása a sejt nyugalmi Ca2+ szintjének spontán emelkedései (spontán aktivitás) miatt összetett adatelemzési feladat. Ugyanis emiatt a sejt képes nyugalmi állapotban is akkora Ca2+ szintet mutatni, mint ingerlés után várható, noha rövidebb ideig. Tehát, az alapvonal meghatározásához ezen spontán aktív hatásokat azonosítani és eliminálni szükséges a Ca2+ mérésekből. Módszertan A mérés során keletkezett adattömeg az egyes sejtek kalcium-szint idősorai. A sejteket a mikroszkópos felvételen manuálisan jelöltük ki, mint ún. ROI-kat (Region of Interest). Gaussian Mixture Model (GMM) segítségével adott ROI idősorában az ingerlés előtt szétválasztom az adatpontokat alpopulációkra. Az empirikus sűrűségfüggvényeken megfigyelhető, hogy a pontok túlnyomó többsége a tényleges nyugalmi Ca2+ szint körül helyezkedik el, a többi pont magasabb értékek körül tömörült a spontán aktív tüzelések hatására. Alapvonalnak annak az alpopulációnak a várható értékét vettem, amely legnagyobb súllyal szerepelt a teljes populációban. Biológiai szempontból fontos adat, hogy adott mérésen belül mekkora a spontán aktív sejtek aránya. Így a labortagok segítségével tanuló adatbázisokat készítettünk. Erre egy véletlen erdő modellt hoztam létre a spontán aktív sejtek detektálására. Eredmények Létrehoztam egy grafikus felhasználói felületet, ahová a mérések feltölthetők. A kimenet egy táblázat, mely tartalmazza a ROI-khoz tartozó alapvonalakat és reakciókat. A GMM-mel pontosabban megállapítható a sejtek alapvonala, nem kell külön metodikát használni a spontán aktív és nyugalomban lévő sejteken. A véletlen erdő AUC értéke külön teszthalmazon 0,96. 105 ROI-ból összesen 8-at azonosított be tévesen a modell.