과학자들은 초해상도 현미경을 사용하여 이전에 발견되지 않은 세포 세계를 연구하고 세포 내부의 나노미터 규모의 세부 사항을 드러냅니다. 이 방법은 광학 현미경에 혁명을 일으켰고 발명가들은 2014년 노벨 화학상을 받았습니다. 국제 협력을 통해 튀빙겐의 AI 연구원들은 이제 이를 크게 가속화하는 알고리즘을 개발했습니다. technology 머신러닝의 도움으로.
SMLM(Single-molecule localization microscopy)은 일종의 초고해상도 현미경입니다. 관심 단백질을 형광 분자로 표지하고 빛을 사용하여 한 번에 소수의 분자만 활성화하는 것을 포함합니다. 이 트릭을 사용하여 동일한 샘플의 여러 이미지를 얻습니다. 의미 있는 그림을 만들기 위해 컴퓨터 프로그램은 데이터를 해독하고 완전한 이미지를 컴파일합니다. 이 기술을 사용하여 고정밀도로 분자를 찾을 수 있지만 한 가지 주요 단점이 있습니다. 과학자들이 많은 수의 이미지를 획득해야 하므로 프로세스에 시간이 매우 많이 소요된다는 것입니다.
국제 협력에서 튀빙겐 대학(University of Tübingen) 과학의 기계 학습 교수인 Jakob Macke 팀은 이러한 SMLM의 한계를 극복하는 새로운 알고리즘을 개발했습니다. 유럽 분자 생물학 연구소(EMBL) 하이델베르그의 Ries 그룹과 Janelia 연구 캠퍼스(미국 버지니아)의 Dr. Srinivas Turaga 팀과의 공동 작업이 자연 방법.
딥 러닝은 매우 정확한 단일 분자 위치 파악을 가능하게 합니다.
DECODE(DEep CONtext DEpendent) 알고리즘은 딥 러닝을 기반으로 합니다. 학습 데이터에서 학습하는 신경망을 사용합니다. 그러나 이 경우 네트워크는 실제 이미지를 사용하는 대신 수치 시뮬레이션으로 생성된 합성 데이터로 훈련됩니다. 현미경 설정 및 이미징 물리학에 대한 정보를 통합함으로써 연구원들은 실제 획득과 거의 일치하는 시뮬레이션을 달성했습니다. "따라서 우리가 시뮬레이션된 데이터를 사용하여 훈련한 신경망은 실제 이미지에서 형광단을 감지하고 지역화할 수 있습니다."라고 Lucas-Raphael Müller와 함께 이 논문의 주 저자인 Artur Speiser가 설명합니다.
DECODE의 이점 중 하나는 이전에 가능했던 것보다 더 높은 밀도에서 형광단을 정확하게 감지하고 위치를 파악한다는 것입니다. 이는 샘플당 더 적은 수의 이미지가 필요함을 의미합니다. 결과적으로 해상도 손실을 최소화하면서 이미징 속도를 최대 XNUMX배까지 높일 수 있습니다. 또한 DECODE는 불확실성을 정량화할 수 있으므로 네트워크 자체가 로컬라이제이션이 확실하지 않은 경우 이를 감지할 수 있습니다.
학제간 연구의 관점 확장
"이 작업은 "기계 학습: 과학에 대한 새로운 관점" 클러스터의 접근 방식을 나타냅니다. 그의 의장은 Tübingen 클러스터의 일부입니다. "우리는 원래 매우 다른 맥락에서 기계 학습 접근 방식의 기본 아이디어를 개발했지만 전산 현미경 전문가와 협력하여 SMLM 분석을 위한 강력한 방법으로 전환할 수 있었습니다. 데이터. "
팀은 또한 DECODE 알고리즘을 구현하는 소프트웨어 패키지를 구축했습니다. EMBL의 Jonas Ries 박사는 "이 소프트웨어는 설치가 간단하고 무료이므로 앞으로 많은 과학자들에게 유용할 것입니다."라고 덧붙입니다.
ELE 타임즈
-
ELE 타임즈https://www.eletimes.com/author/eletimes-news세계에서 가장 긴 3D 프린팅 콘크리트 자전거 다리
-
ELE 타임즈https://www.eletimes.com/author/eletimes-news마이크로칩, 클라우드 데이터 센터, 1.6G 및 AI를 위한 최대 800GbE 연결 기능을 갖춘 업계에서 가장 컴팩트한 5T 이더넷 PHY 공개
-
ELE 타임즈https://www.eletimes.com/author/eletimes-newsEPS Global, Nuvoton의 MCU 보안 파트너 생태계에 합류