Shunlongwei Co. Ltd

แมชชีนเลิร์นนิงช่วยปรับปรุงการวิเคราะห์ภาพทางชีวภาพ

ข่าว
อัปเดต: 6 สิงหาคม 2023
แมชชีนเลิร์นนิงช่วยปรับปรุงการวิเคราะห์ภาพทางชีวภาพ

นักวิทยาศาสตร์ใช้กล้องจุลทรรศน์ความละเอียดสูงเพื่อศึกษาโลกของเซลล์ที่ยังไม่เคยถูกค้นพบมาก่อน โดยเผยให้เห็นรายละเอียดภายในเซลล์ระดับนาโนเมตร วิธีการนี้ปฏิวัติการใช้กล้องจุลทรรศน์แบบใช้แสงและทำให้นักประดิษฐ์ได้รับรางวัลโนเบลสาขาเคมีประจำปี 2014 ในความร่วมมือระหว่างประเทศ นักวิจัย AI จาก Tübingen ได้พัฒนาอัลกอริธึมที่ช่วยเร่งสิ่งนี้ได้อย่างมาก เทคโนโลยี ด้วยความช่วยเหลือของการเรียนรู้ของเครื่อง

กล้องจุลทรรศน์โลคัลไลเซชันแบบโมเลกุลเดี่ยว (SMLM) เป็นกล้องจุลทรรศน์ที่มีความละเอียดสูงมากชนิดหนึ่ง มันเกี่ยวข้องกับการติดฉลากโปรตีนที่น่าสนใจด้วยโมเลกุลเรืองแสงและใช้แสงเพื่อกระตุ้นโมเลกุลเพียงไม่กี่ตัวในแต่ละครั้ง เมื่อใช้เคล็ดลับนี้ คุณจะได้ภาพหลายภาพจากตัวอย่างเดียวกัน ในการสร้างภาพที่มีความหมาย โปรแกรมคอมพิวเตอร์จะถอดรหัสข้อมูลและรวบรวมภาพทั้งหมด แม้ว่าเทคนิคนี้จะใช้ในการระบุตำแหน่งของโมเลกุลที่มีความแม่นยำสูง แต่ก็มีข้อเสียอย่างหนึ่งคือ นักวิทยาศาสตร์จำเป็นต้องได้รับภาพจำนวนมาก ซึ่งทำให้กระบวนการนี้ใช้เวลานานมาก

ในความร่วมมือระดับนานาชาติ ทีมงานของ Jakob Macke ศาสตราจารย์ด้าน Machine Learning in Science ที่ University of Tübingen ได้พัฒนาอัลกอริธึมใหม่ที่เอาชนะข้อจำกัดของ SMLM นี้ได้ ผลงานร่วมกับ Ries Group ที่ European Molecular Biology Laboratory (EMBL) Heidelberg และทีมของ Dr. Srinivas Turaga ที่ Janelia Research Campus (เวอร์จิเนีย สหรัฐอเมริกา) ได้รับการตีพิมพ์ใน วิธีธรรมชาติ.

การเรียนรู้เชิงลึกช่วยให้การแปลเป็นภาษาท้องถิ่นของโมเลกุลเดี่ยวมีความแม่นยำสูง

อัลกอริทึม DECODE (DEep CONtext DEpendent) อิงจากการเรียนรู้เชิงลึก: ใช้โครงข่ายประสาทเทียมที่เรียนรู้จากข้อมูลการฝึกอบรม อย่างไรก็ตาม แทนที่จะใช้ภาพจริง เครือข่ายในกรณีนี้ได้รับการฝึกอบรมด้วยข้อมูลสังเคราะห์ที่สร้างโดยการจำลองเชิงตัวเลข ด้วยการรวมข้อมูลเกี่ยวกับการตั้งค่าด้วยกล้องจุลทรรศน์และฟิสิกส์ของภาพ นักวิจัยได้จำลองสถานการณ์ที่ตรงกับการซื้อกิจการในโลกแห่งความเป็นจริงอย่างใกล้ชิด "โครงข่ายประสาทเทียมที่เราฝึกโดยใช้ข้อมูลจำลองจึงสามารถตรวจจับและแปลฟลูออโรฟอร์ในภาพจริงได้" Artur Speiser ผู้ซึ่งร่วมกับ Lucas-Raphael Müller เป็นหัวหน้าผู้เขียนรายงานกล่าว

ข้อดีอย่างหนึ่งของ DECODE คือสามารถตรวจจับและกำหนดตำแหน่งของฟลูออโรฟอร์ได้อย่างแม่นยำที่ความหนาแน่นสูงกว่าที่เคยเป็นไปได้ ซึ่งหมายความว่าจำเป็นต้องใช้รูปภาพต่อตัวอย่างน้อยลง ส่งผลให้ความเร็วในการถ่ายภาพเพิ่มขึ้นถึงสิบเท่าโดยสูญเสียความละเอียดเพียงเล็กน้อย นอกจากนี้ DECODE ยังสามารถวัดความไม่แน่นอนได้ ดังนั้นตัวเครือข่ายจึงสามารถตรวจจับได้เมื่อไม่แน่ใจในการแปลเป็นภาษาท้องถิ่น

สหวิทยาการขยายมุมมองของการวิจัย

Macke กล่าวว่า "งานนี้บ่งบอกถึงแนวทางของ Cluster of Excellence "Machine Learning: New Perspectives for Science" ซึ่งประธานของเขาเป็นส่วนหนึ่งของคลัสเตอร์Tübingen “เดิมทีเราพัฒนาแนวคิดที่เป็นพื้นฐานของแนวทางแมชชีนเลิร์นนิงในบริบทที่แตกต่างกันมาก แต่ด้วยการร่วมมือกับผู้เชี่ยวชาญในกล้องจุลทรรศน์เชิงคอมพิวเตอร์ เราสามารถเปลี่ยนความคิดเหล่านั้นให้เป็นวิธีวิเคราะห์ SMLM อันทรงพลังได้ ข้อมูล".

ทีมงานได้สร้างแพ็คเกจซอฟต์แวร์ซึ่งใช้อัลกอริทึม DECODE "ซอฟต์แวร์นี้ติดตั้งง่ายและใช้งานได้ฟรี เราจึงหวังว่าซอฟต์แวร์นี้จะเป็นประโยชน์สำหรับนักวิทยาศาสตร์จำนวนมากในอนาคต" Dr. Jonas Ries จาก EMBL กล่าวเสริม

ELE ไทม์ส
+ โพสต์
  • สะพานจักรยานคอนกรีตพิมพ์ลาย 3 มิติที่ยาวที่สุดในโลก
  • ไมโครชิป เปิดตัว PHY อีเธอร์เน็ต 1.6T ขนาดกะทัดรัดที่สุดในอุตสาหกรรม พร้อมการเชื่อมต่อสูงถึง 800 GbE สำหรับศูนย์ข้อมูลคลาวด์, 5G และ AI
  • ไดรเวอร์เกตปลั๊กแอนด์เพลย์ SCALE-iFlex LT ใหม่ของ Power Integrations ปรับปรุง EconoDUAL IGBT โมดูล ประสิทธิภาพ 20%
  • EPS Global เข้าร่วมระบบนิเวศพันธมิตรด้านการรักษาความปลอดภัย MCU ของ Nuvoton
«
»