Applicazione di Reti Generative Avversarie a dati misurati in organoidi

Abstract

Le Reti Generative Avversarie (GAN) sono uno strumento di intelligenza artificiale per la generazione di dati. Le GAN sono caratterizzate da un approccio di apprendimento basato sulla dinamica competitiva tra due reti neurali: il Generatore, che crea nuovi dati simili a quelli reali, e il Discriminatore, che valuta l'autenticità dei dati. Questa tesi esplora l’utilizzo delle GAN come tecnica di data augmentation al fine di superare alcune delle limitazioni legate alla disponibilità di dati biologici complessi. In particolare, si concentra sulla modellazione e generazione di dati misurati in organoidi cerebrali, strutture tridimensionali derivanti da cellule staminali coltivate in vitro che riproducono le caratteristiche e le funzionalità del cervello umano. Dopo una panoramica teorica, la tesi presenta l'implementazione di due modelli GAN per la simulazione di dati provenienti da organoidi cerebrali, studiati all’interno del progetto europeo 3D-BrAIn. Il primo modello rappresenta un approccio preliminare, mentre il secondo introduce il Variational Autoencoder (VAE) per migliorare la rappresentazione latente dei dati e favorire una generazione realistica. L’analisi e il confronto dei risultati sperimentali ottenuti con i due modelli mira a studiare l'efficacia delle GAN nella generazione di dati sintetici realistici, mettendo in luce il potenziale e i limiti di questo paradigma. Pur avendo ottenuto risultati soddisfacenti, si evidenziano la difficoltà di guidare l'allenamento verso un risultato ottimale e la necessità di integrare metodi quantitativi con valutazioni qualitative.

Generative Adversarial Networks (GANs) are an artificial intelligence tool for data generation. GANs are characterized by a learning approach based on the competitive dynamics between two neural networks: the Generator, which creates new data similar to real ones, and the Discriminator, which evaluates the authenticity of the data. This thesis explores the use of GANs as a data augmentation technique in order to overcome some of the limitations related to the availability of complex biological data. In particular, it focuses on the modeling and generation of data measured in cerebral organoids, three-dimensional structures derived from stem cells grown in vitro that reproduce the characteristics and functionality of the human brain. After a theoretical overview, the thesis presents the implementation of two GAN models for the simulation of data coming from cerebral organoids, studied within the European project 3D-BrAIn. The first model represents a preliminary approach, while the second introduces the Variational Autoencoder (VAE) to improve the latent representation of the data and promote a realistic generation. The analysis and comparison of the experimental results obtained with the two models aims to study the effectiveness of GANs in generating realistic synthetic data, highlighting the potential and limits of this paradigm. Despite having obtained satisfactory results, the difficulty of guiding the training towards an optimal result and the need to integrate quantitative methods with qualitative evaluations are highlighted.