Ученые используют микроскопию сверхвысокого разрешения для изучения ранее неизведанных клеточных миров, выявляя детали нанометрового масштаба внутри клеток. Этот метод произвел революцию в световой микроскопии и принес своим изобретателям Нобелевскую премию по химии 2014 года. В рамках международного сотрудничества исследователи искусственного интеллекта из Тюбингена разработали алгоритм, который значительно ускоряет эту технологию.
Микроскопия локализации одиночных молекул (SMLM) — это разновидность микроскопии сверхвысокого разрешения. Он включает в себя маркировку интересующих белков флуоресцентными молекулами и использование света для одновременной активации только нескольких молекул. Используя этот трюк, можно получить несколько изображений одного и того же образца. Чтобы создать осмысленное изображение, компьютерная программа расшифровывает данные и компилирует полное изображение. Хотя этот метод можно использовать для определения местоположения молекул с высокой точностью, он имеет один серьезный недостаток — ученым требуется получить большое количество изображений, что делает процесс очень трудоемким.
В рамках международного сотрудничества команда Якоба Макке, профессора машинного обучения в университете Тюбингена, разработала новый алгоритм, который преодолевает это ограничение SMLM. Совместная работа с группой Риса из Европейской лаборатории молекулярной биологии (EMBL) в Гейдельберге и командой доктора Шриниваса Тураги в исследовательском кампусе Джанелия (Вирджиния, США) была опубликована в журнале Nature Methods .
Глубокое обучение обеспечивает высокоточную локализацию одной молекулы
Алгоритм DECODE (DEep COntext DEpendent) основан на глубоком обучении : он использует нейронную сеть, которая учится на данных обучения. Однако вместо использования реальных изображений сеть в этом случае обучается на синтетических данных, сгенерированных численным моделированием. Объединив информацию о микроскопической установке и физике изображений, исследователи достигли моделирования, которое близко соответствовало полученным в реальном мире. « Нейронная сеть, которую мы обучили с использованием смоделированных данных, может, таким образом, также обнаруживать и локализовать флуорофоры на реальных изображениях», — объясняет Артур Шпайзер, который вместе с Лукасом-Рафаэлем Мюллером был ведущим автором статьи.
Одним из преимуществ DECODE является то, что он точно определяет и локализует флуорофоры при более высоких плотностях, чем это было возможно ранее. Это означает, что для одного образца требуется меньше изображений. В результате скорость визуализации может быть увеличена до десяти раз с минимальной потерей разрешения. Кроме того, DECODE может количественно определять неопределенности, поэтому сеть сама может определять, когда она не уверена в своем местонахождении.
Междисциплинарность расширяет перспективы исследований
«Эта работа свидетельствует о приближении нашего кластера передового опыта«Machine Learning: Новые перспективы для науки «»., Маке говорит, чей стул является частью кластера Тюбингена «Мы изначально развивали идеи , лежащие в основе машинного обучения подхода в очень в другом контексте, но благодаря сотрудничеству со специалистами в области вычислительной микроскопии мы смогли превратить их в мощные методы анализа данных SMLM ».
Команда также создала программный пакет, реализующий алгоритм DECODE. «Программа проста в установке и бесплатна, поэтому мы надеемся, что она будет полезна для многих ученых в будущем», — добавляет д-р Йонас Райс из EMBL.