_ Deep learning real -time molecular imaging

Cercetătorii de la Universitatea Națională din Singapore (NUS) au demonstrat că învățarea profundă le permite să observe dinamica moleculelor individuale mai precis și cu mai puține date decât metodele tradiționale de evaluare. Ei au folosit rețele neuronale convoluționale (CNN) pentru a observa mișcarea moleculelor individuale în sisteme artificiale, celule și organisme mici. Descoperirile lor au fost publicate în Biophysical Journal.

Această metodă promite să accelereze măsurătorile cu o singură moleculă în sisteme complexe și să o facă mai accesibilă pentru o gamă mai largă de cercetători.

O singură moleculă. molecula este cea mai elementară unitate observabilă în sistemele biologice. Înțelegerea comportamentului și a interacțiunilor sale deblochează perspective asupra funcționării sistemelor biologice, deschizând calea pentru intervenții strategice în boli.

Una dintre cele mai puternice modalități de a observa molecule individuale este spectroscopia cu fluorescență. Acest lucru se datorează semnalului și specificității sale puternice, care permite doar observarea moleculelor marcate.

De mai bine de 50 de ani, Spectroscopia de corelație cu fluorescență (FCS) a fost utilizată în acest domeniu, măsurând mobilitatea și interacțiunea de molecule cu acurateţe şi precizie ridicate. O extensie recentă a acestei tehnici, Imaging FCS, își extinde capacitățile de a caracteriza mobilitățile, concentrațiile și interacțiunile dintre alți parametri în imagini întregi.

În ciuda capacităților sale, Imaging FCS ridică provocări, deoarece necesită cantități mari de date ( aproximativ 100 MB pentru fiecare măsurătoare). Acest lucru necesită o procesare computațională extinsă, care are ca rezultat evaluări lente.

O echipă de cercetare, condusă de profesorul Thorsten Wohland, atât de la Departamentul de Științe Biologice, cât și de la Departamentul de Chimie, și de profesorul Adrian Röllin, de la Departamentul de Statistica și Data Science, ambele de la NUS, au folosit metode de învățare profundă pentru a reduce cantitatea de date necesară pentru o măsurătoare (aproximativ 5 MB per măsurare), obținând în același timp rezultate comparabile cu metodele tradiționale.

Tehnica folosește două CNN-uri. , numit FCSNet și ImFCSNet dezvoltat de Dr. Wai Hon Tang și domnul Shao Ren Sim, membri ai echipei de cercetare. CNN-urile reprezintă un tip de algoritm de învățare profundă potrivit pentru analiza datelor vizuale. Ei folosesc mai multe straturi de filtre specializate care scanează imaginea pentru caracteristici specifice, cum ar fi margini, texturi și culori.

Prin extragerea progresivă și combinând aceste caracteristici împreună, ei construiesc o mai bună înțelegere a imaginii, permițându-le să recunoască modele și obiecte din datele vizuale.

Atât metodele bazate pe FCSNet, cât și pe ImFCSNet sunt mai precise decât metodele FCS tradiționale în ceea ce privește coeficienții de difuzie, dar au compromisuri diferite pentru cerințele de date și rezolutie spatiala. Folosind mai puține date, aceste tehnici pot scurta timpul de evaluare cu ordine de mărime, în special pentru seturi de date mari sau sisteme complexe.

Profesorul Wohland a spus: „Aceste CNN-uri sunt antrenate pe date simulate și pot prezice coeficienții de difuzie. din seturi de date mult mai mici în comparație cu metodele tradiționale FCS. Acestea sunt, de asemenea, agnostice de model și pot fi utilizate cu orice configurație de microscop."

Dr. Tang a adăugat: „CNN-urile revoluționează analiza datelor, oferind procese de evaluare accelerate și simplificate. Deși este important să le validăm performanța, CNN-urile au potențialul de a pune la dispoziție tehnici puternice pentru comunitatea de cercetare mai largă.”

Echipa. speră că tehnica lor poate deschide noi posibilități de a accelera cercetarea cu o singură moleculă și de a face tehnologia accesibilă unei game mai largi de utilizatori. CNN-urile nu necesită contribuții ale experților și sunt pregătite să democratizeze FCS.

(Fluierul)