Photo: Colourbox

Forskere baner vejen for superkøer

mandag 02 nov 20

Kontakt

Haja Kadarmideen
Professor
DTU Compute
45 25 52 23

Projektets resultater er publiceret i artiklen

Rabaglino, M.B., Kadarmideen, H.N. “Machine learning approach to integrated endometrial transcriptomic datasets reveals biomarkers predicting uterine receptivity in cattle at seven days after estrous.”

Læs artiklen i Nature Science Report

Forskere fra DTU bruger kunstig intelligens, bioinformatik og gen-sekventering til at forbedre avlsprogrammer med ægtransplantation for køer. Resultatet kan blive sundere og stærkere køer i hele verden.

Avl af køer ved hjælp af transplantation af befrugtede æg (embryotransplantation) gør det muligt at kombinere en given tyrs og en given kos genetiske egenskaber i en surrogatmor. Dermed bliver det lettere at opnå det ønskede resultat, og når vi taler kvæg, vil det typisk være hurtigere vækst, bedre helbred hos kalve og et større mælkeudbytte hos køerne.

Samtidig betyder bedre metoder til kryo-præservering af befrugtede æg (f.eks. lynnedfrysning og transport ved bedre temperaturkontrol), at man kan hente den ønskede arvemasse til sine kommende medlemmer af besætningen overalt på kloden – og uden at skulle fragte levende dyr. Metoden gør det med andre ord muligt for alle at få efterkommere af de bedste avlsdyr.

Derfor er embryotransplantation populært- også inden for andre områder, f.eks. hesteavl.  Men det er en relativt dyr måde at bedrive avl på, og succesraten er derfor afgørende for metodens generelle værdi og udbredelse. Især i udviklingslande, hvor embryotransplantation kan have en stor betydning for fødevaresikkerhed, trivsel og bekæmpelse af fattigdom – men hvor man ofte ikke har råd til ret mange forgæves forsøg på at opnå graviditet i surrogatmødre.

Derfor handler det om at udvælge de rette køer til rugemor. Indtil nu har udvælgelsen hovedsageligt været baseret på en generel iagttagelse af f.eks. fysik (fænotypiske egenskaber) og eventuelt også på en traditionel gynækologisk undersøgelse. En metode, der er forbundet med en vis usikkerhed. Men postdoc Maria Belen Rabaglino og professor Haja Kadarmideen har nu fundet frem til en metode, der har potentiale til at fjerne denne usikkerhed og ændre praksis på globalt plan.

Slimhinder og kunstig intelligens

En del faktorer, bl.a. hormoner, har betydning for, om det er nemt eller svært at blive gravid, bl.a. fordi de påvirker den måde kroppens celler arbejder på. Dette gælder bl.a. i livmoderens slimhinde, der interagerer direkte med det befrugtede æg. Cellernes ”aktivitet” i slimhinden er derfor forskellig hos de dyr, hvor der er stor chance for at etablere en graviditet, og hos dem, hvor der ikke er, men præcis hvordan de varierer, og hvilke variationer, der indikerer hvad, var ved projektets start endnu uklart, så det besluttede Maria Belen Rabaglino og Haja Kadarmideen sig for at blive klogere på i forventning om at kunne bruge resultaterne til at udvikle en ny og mere sikker metode til at identificere de bedste rugemødre.

I første omgang ønskede de at identificere de celle-variationer i livmoderen med betydning for at opnå graviditet ved ægtransplantation, og de gik derfor i gang med at lede efter mønstre i genekspressionsprofiler (celler har de samme gener, men afhængig af deres aktivitet udtrykker de dem forskelligt, og det kan aflæses i disse profiler).

“Vi anvendte avanceret dataintegration og bioinformatik til at forberede store mængder data fra 52 køer til maskinlæring (ML), en disciplin inden for kunstig intelligens, særlig velegnet til at finde mønstre i komplekse data. Herefter brugte vi to typer af ML-algoritmer og krydsvaliderede resultaterne for identificere mønstre i genekspressionsprofilerne i slimhinder, der med mindst 90 procents nøjagtighed har resulteret i succesfulde transplantationer,” siger Maria Belen Rabaglino.

På den måde trådte der et mønster frem af projektets ”kunstige hjerne”: I forbindelse med næsten alle succesfulde svangerskaber kunne algoritmerne finde de samme 50 genekspressionprofiler i slimhinden hos surrogatmoren. Tilstedeværelsen af præcis disse biomarkører, som biologiske identifikatorer ofte betegnes, var faktisk tilfældet i 96,1 procent af tilfældene. Ved at teste for genekspressionsprofiler kan man altså nå ned på en fejlmargin i sit avlsprogram på under 5 procent.

Nemt at måle på

Forskerne er med andre ord lykkedes med at skabe et ”simpelt” billede på en meget kompleks virkelighed ved hjælp af 50 biomarkører, og blandt andet fordi livmoderens slimhinde er let tilgængelig, tilbyder det et nemt målbart alternativ til til de vurderinger, der bruges i dag, og som mest af alt hviler på dyrlægens erfaringer og intuition forklarer Haja Kadarmideen:

"Vores undersøgelse kan medvirke til udvikling af nye metoder til screening af potentielle surrogatmødre, som gør det muligt at vælge de rigtige "kandidater" med meget større nøjagtighed end i dag. F.eks. ved hjælp af en 'receptivitetschip' baseret på disse 50 biomarkørers genekspressionsprofiler. Den vil potentielt kunne spare kvægproducenter for flere millioner dollars ved at gøre det lettere at udvælge dyr, der er særligt egnede til befrugtning ved hjælp af embryotransplantation."

Selvom køer og mennesker er meget forskellige, mener forfatterne, at de i projektet identificerede 50 biomarkør (i form af genekspressionsprofiler) for graviditetsforudsigelse i fremtiden vil kunne ”oversættes” til og anvendes på mennesker, hvor det kan blive et værdifuldt redskab inden for kunstig befrugtning.