Os cientistas usam microscopia de super-resolução para estudar mundos celulares anteriormente desconhecidos, revelando detalhes em escala nanométrica dentro das células. Este método revolucionou a microscopia óptica e rendeu aos seus inventores o Prêmio Nobel de Química de 2014. Numa colaboração internacional, investigadores de IA de Tübingen desenvolveram agora um algoritmo que acelera significativamente este processo. tecnologia com a ajuda do aprendizado de máquina.
A microscopia de localização de molécula única (SMLM) é um tipo de microscopia de super-resolução. Envolve a marcação de proteínas de interesse com moléculas fluorescentes e o uso de luz para ativar apenas algumas moléculas de cada vez. Usando este truque, várias imagens da mesma amostra são adquiridas. Para criar uma imagem significativa, um programa de computador decodifica os dados e compila a imagem completa. Embora a técnica possa ser usada para localizar moléculas com alta precisão, ela tem uma grande desvantagem - exige que os cientistas adquiram um grande número de imagens, o que torna o processo muito demorado.
Em uma colaboração internacional, a equipe de Jakob Macke, Professor de Aprendizado de Máquina em Ciências da Universidade de Tübingen, desenvolveu um novo algoritmo que supera essa limitação do SMLM. O trabalho conjunto com o Grupo Ries no Laboratório Europeu de Biologia Molecular (EMBL) Heidelberg e a equipe do Dr. Srinivas Turaga no Campus de Pesquisa Janelia (Virginia, EUA) foi publicado em Nature Methods.
Aprendizagem profunda permite localização de molécula única altamente precisa
O algoritmo DECODE (DEep COntext DEpendent) é baseado no aprendizado profundo: ele usa uma rede neural que aprende com os dados de treinamento. Em vez de usar imagens reais, entretanto, a rede, neste caso, é treinada com dados sintéticos gerados por uma simulação numérica. Ao incorporar informações sobre a configuração microscópica e a física da imagem, os pesquisadores realizaram simulações que combinavam de perto com as aquisições do mundo real. “A rede neural que treinamos com dados simulados também pode detectar e localizar fluoróforos em imagens reais”, explica Artur Speiser, que, junto com Lucas-Raphael Müller, foi o autor principal do artigo.
Um dos benefícios do DECODE é que ele detecta e localiza com precisão os fluoróforos em densidades mais altas do que eram possíveis anteriormente. Isso significa que menos imagens são necessárias por amostra. Como resultado, as velocidades de imagem podem ser aumentadas em até dez vezes com perda mínima de resolução. Além disso, DECODE pode quantificar incertezas - de forma que a própria rede possa detectar quando não tiver certeza de sua localização.
A interdisciplinaridade amplia as perspectivas de pesquisa
“Este trabalho é um indicativo da abordagem de nosso Cluster de Excelência“ Aprendizado de Máquina: Novas Perspectivas para a Ciência '”, diz Macke, cuja cadeira faz parte do cluster Tübingen. “Originalmente, desenvolvemos as ideias subjacentes à abordagem de aprendizado de máquina em um contexto muito diferente, mas, por meio da colaboração com especialistas em microscopia computacional, fomos capazes de transformá-las em métodos poderosos de análise de SMLM dados,. "
A equipe também construiu um pacote de software que implementa o algoritmo DECODE. “O software é simples de instalar e de uso gratuito, por isso esperamos que seja útil para muitos cientistas no futuro”, acrescenta o Dr. Jonas Ries da EMBL.
Horários ELE
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsA maior ponte de concreto para bicicleta impressa em 3D do mundo
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsMicrochip revela o PHY Ethernet 1.6T mais compacto da indústria com conectividade de até 800 GbE para data centers em nuvem, 5G e AI
-
Horários ELEhttps://www.eletimes.com/author/eletimes-newsEPS Global entra para o ecossistema de parceiros de segurança MCU da Nuvoton