Wetenschappers gebruiken superresolutiemicroscopie om voorheen onontdekte cellulaire werelden te bestuderen, waarbij details op nanometerschaal in cellen worden onthuld. Deze methode bracht een revolutie teweeg in de lichtmicroscopie en leverde de uitvinders ervan in 2014 de Nobelprijs voor de Scheikunde op. In een internationale samenwerking hebben AI-onderzoekers uit Tübingen nu een algoritme ontwikkeld dat dit aanzienlijk versnelt technologie met behulp van machinaal leren.
Lokaliseringsmicroscopie met één molecuul (SMLM) is een type superresolutiemicroscopie. Het omvat het labelen van interessante eiwitten met fluorescerende moleculen en het gebruik van licht om slechts een paar moleculen tegelijk te activeren. Met deze truc worden meerdere afbeeldingen van hetzelfde monster verkregen. Om een betekenisvol beeld te creëren, decodeert een computerprogramma de gegevens en stelt het volledige beeld samen. Hoewel de techniek kan worden gebruikt om moleculen met hoge precisie te lokaliseren, heeft het één groot nadeel: het vereist dat wetenschappers een groot aantal afbeeldingen maken, wat het proces erg tijdrovend maakt.
In een internationale samenwerking heeft het team van Jakob Macke, hoogleraar Machine Learning in Science aan de Universiteit van Tübingen, een nieuw algoritme ontwikkeld dat deze beperking van SMLM overwint. Het gezamenlijke werk met de Ries Group van het European Molecular Biology Laboratory (EMBL) Heidelberg en het team van Dr. Srinivas Turaga op de Janelia Research Campus (Virginia, VS) werd gepubliceerd in Nature Methods.
Deep learning maakt zeer nauwkeurige lokalisatie van één molecuul mogelijk
Het DECODE-algoritme (DEep CONtext DEpendent) is gebaseerd op deep learning: het maakt gebruik van een neuraal netwerk dat leert van trainingsgegevens. In plaats van echte afbeeldingen te gebruiken, wordt het netwerk in dit geval echter getraind met synthetische gegevens die zijn gegenereerd door een numerieke simulatie. Door informatie over de microscopische opstelling en de beeldfysica op te nemen, bereikten de onderzoekers simulaties die nauw overeenkwamen met real-world acquisities. "Het neurale netwerk dat we hebben getraind met behulp van gesimuleerde gegevens, kan dus ook fluoroforen in echte beelden detecteren en lokaliseren", legt Artur Speiser uit, die samen met Lucas-Raphael Müller de hoofdauteur van het artikel was.
Een van de voordelen van DECODE is dat het fluoroforen nauwkeurig detecteert en lokaliseert bij hogere dichtheden dan voorheen mogelijk was. Dit betekent dat er per monster minder afbeeldingen nodig zijn. Als gevolg hiervan kunnen de beeldsnelheden tot tien keer worden verhoogd met minimaal verlies aan resolutie. Bovendien kan DECODE onzekerheden kwantificeren, zodat het netwerk zelf kan detecteren wanneer het niet zeker is van de lokalisatie.
Interdisciplinariteit vergroot de perspectieven van onderzoek
“Dit werk is indicatief voor de aanpak van ons Cluster of Excellence “Machine Learning: New Perspectives for Science'”, zegt Macke, wiens leerstoel onderdeel is van het cluster Tübingen. "We hebben de ideeën die ten grondslag liggen aan de machine learning-benadering oorspronkelijk in een heel andere context ontwikkeld, maar door samen te werken met experts op het gebied van computermicroscopie konden we ze omzetten in krachtige methoden voor het analyseren van SMLM gegevens. '
Het team heeft ook een softwarepakket gebouwd dat het DECODE-algoritme implementeert. "De software is eenvoudig te installeren en gratis te gebruiken, dus we hopen dat het in de toekomst voor veel wetenschappers nuttig zal zijn", voegt Dr. Jonas Ries van EMBL toe.
ELE-tijden
-
ELE-tijdenhttps://www.eletimes.com/author/eletimes-newsDe langste 3D-geprinte betonnen fietsbrug ter wereld
-
ELE-tijdenhttps://www.eletimes.com/author/eletimes-newsMicrochip onthult de meest compacte 1.6T Ethernet PHY in de branche met tot 800 GbE-connectiviteit voor clouddatacenters, 5G en AI
-
ELE-tijdenhttps://www.eletimes.com/author/eletimes-newsEPS Global sluit zich aan bij Nuvoton's MCU Security Partner-ecosysteem