Los científicos utilizan microscopía de superresolución para estudiar mundos celulares no descubiertos previamente, revelando detalles a escala nanométrica dentro de las células. Este método revolucionó la microscopía óptica y le valió a sus inventores el Premio Nobel de Química de 2014. En una colaboración internacional, investigadores de IA de Tubinga han desarrollado un algoritmo que acelera significativamente este proceso. la tecnología con la ayuda del aprendizaje automático.
La microscopía de localización de molécula única (SMLM) es un tipo de microscopía de súper resolución. Implica marcar proteínas de interés con moléculas fluorescentes y usar luz para activar solo unas pocas moléculas a la vez. Con este truco, se adquieren varias imágenes de la misma muestra. Para crear una imagen significativa, un programa de computadora descifra los datos y compila la imagen completa. Si bien la técnica se puede utilizar para localizar moléculas con alta precisión, tiene un inconveniente importante: requiere que los científicos adquieran una gran cantidad de imágenes, lo que hace que el proceso requiera mucho tiempo.
En una colaboración internacional, el equipo de Jakob Macke, profesor de aprendizaje automático en ciencia en la Universidad de Tübingen, ha desarrollado un nuevo algoritmo que supera esta limitación de SMLM. El trabajo conjunto con el Grupo Ries en el Laboratorio Europeo de Biología Molecular (EMBL) de Heidelberg y el equipo del Dr. Srinivas Turaga en el Janelia Research Campus (Virginia, EE. UU.) Se publicó en Nature Methods.
El aprendizaje profundo permite la localización de una sola molécula de alta precisión
El algoritmo DECODE (DEep COntext Dependent) se basa en el aprendizaje profundo: utiliza una red neuronal que aprende de los datos de entrenamiento. Sin embargo, en lugar de utilizar imágenes reales, la red en este caso se entrena con datos sintéticos generados por una simulación numérica. Al incorporar información sobre la configuración microscópica y la física de las imágenes, los investigadores lograron simulaciones que coincidían estrechamente con las adquisiciones del mundo real. “La red neuronal que entrenamos utilizando datos simulados también puede detectar y localizar fluoróforos en imágenes reales”, explica Artur Speiser, quien, junto con Lucas-Raphael Müller, fue el autor principal del artículo.
Uno de los beneficios de DECODE es que detecta y localiza con precisión los fluoróforos a densidades más altas de lo que era posible anteriormente. Esto significa que se necesitan menos imágenes por muestra. Como resultado, la velocidad de las imágenes se puede aumentar hasta diez veces con una pérdida mínima de resolución. Además, DECODE puede cuantificar las incertidumbres, por lo que la propia red puede detectar cuando no está segura de su localización.
La interdisciplinariedad amplía las perspectivas de la investigación
“Este trabajo es indicativo del enfoque de nuestro Clúster de Excelencia“ Aprendizaje automático: nuevas perspectivas para la ciencia ”, dice Macke, cuya presidencia es parte del clúster de Tübingen. “Originalmente desarrollamos las ideas subyacentes al enfoque de aprendizaje automático en un contexto muy diferente, pero al colaborar con expertos en microscopía computacional pudimos convertirlas en métodos poderosos para analizar SMLM datos."
El equipo también ha creado un paquete de software que implementa el algoritmo DECODE. “El software es fácil de instalar y de uso gratuito, por lo que esperamos que sea útil para muchos científicos en el futuro”, agrega el Dr. Jonas Ries de EMBL.
Horarios ELE
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsEl puente para bicicletas de hormigón impreso en 3D más largo del mundo
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsMicrochip presenta la PHY Ethernet 1.6T más compacta de la industria con conectividad de hasta 800 GbE para centros de datos en la nube, 5G e IA
-
Horarios ELEhttps://www.eletimes.com/author/eletimes-newsEPS Global se une al ecosistema de socios de seguridad MCU de Nuvoton