Biofysikere bringer os tættere på intelligente mikroskoper

Når nogen ønsker at få detaljerede observationer af bakteriedeling fra en prøve af levende bakterier, kan det blive lidt kompliceret. De måske skal blive ved mikroskabet uden afbrydelse, indtil bakterien deler sig, hvilket kan tage timer. Manuel detektion og akquisitionsstyring er faktisk meget almindelig i feltet. 

En anden mulighed er at indstille mikroskabet til at tage billeder uden diskrimination og så ofte som muligt, men overmål af lys kan forårsage problemer. Det udanner fluorescensen fra prøven hurtigere, hvilket kan ødelægge levende prøver for tidligt. Samtidig vil der være mange unødvendige billeder genereret, og kun få af dem vil faktisk indeholde billeder af delende bakterier. 

Endnu en løsning er at bruge kunstig intelligens (AI) til at detektere forløbere for bakteriedeling og bruge dem til automatisk at opdatere mikroskopets styringssoftware, hvilket vil hjælpe det med at tage flere billeder af delingen. 

Automatisering af mikroskoptstyring

Ved at se på disse tre forskellige muligheder har et hold af biofysikere ved Ecole Polytechnique Fédérale de Lausanne (EPFL) fundet en måde at automatisere mikroskoptstyring til billedafbildning af biologiske begivenheder i detaljer. Og samtidig begrænser metoden belastningen på prøven. Den nye teknik afhænger af kunstige neurale netværk, og den fungerer for både bakteriecelledeling og mitokondriedeling. 

Holdet offentliggjorde deres resultater i Nature Methods.  

Suliana Manley er hovedundersøger fra EPFL’s Laboratory of Experimental Biophysics. 

“En intelligent mikroskop er lidt ligesom en selv kørende bil. Den skal behandle bestemte typer af information, subtile mønstre, som den så reagerer på ved at ændre sin adfærd,” siger Manley. “Ved at bruge et neuralt netværk kan vi detektere meget mere subtile begivenheder og bruge dem til at drive ændringer i akquisitions hastighed.”

Holdet fandt først en løsning til at detektere mitokondriedeling, som er sværere end en løsning for visse bakterier. Mitokondriedeling sker mere sjældent, hvilket betyder, at det er uforudsigeligt, og det kan ske næsten overalt i mitokondrienettet på et hvilket som helst tidspunkt. 

Træning af neuralt netværk

Holdet trænede neuralt netværk til at se efter mitokondriekonstriktioner, som er en ændring i formen på mitokondrier, der fører til deling. De observerede også et protein, der er rigeligt til stede på steder for deling. 

Mikroskabet skifter til højhastighedsafbildning, når både konstriktioner og protein niveauer er høje, hvilket muliggør, at det kan fange mange billeder af delingsbegivenheder. Men når niveauerne er lave, skifter mikroskabet til lavhastighedsafbildning, hvilket hjælper med at undgå at udsætte prøven for overmål af lys. 

Et intelligent fluorescerende mikroskop som dette muliggør, at videnskabsmænd kan observere prøver i længere tid sammenlignet med standard hurtig afbildning. Prøven var mere belastet sammenlignet med standard langsom afbildning, men holdet kunne få mere meningsfulde data. 

“Potentialet for intelligent mikroskopi inkluderer at måle, hvad standard akkvisitioner ville gå glip af,” forklarer Manley. “Vi fanger flere begivenheder, måler mindre konstriktioner og kan følge hver deling i større detalje.”

Holdet er nu ved at gøre styringsrammen tilgængelig som et open-source plug-in til det åbne mikroskopssoftware Micro-Manager. De ønsker at muliggøre, at andre videnskabsmænd kan integrere AI i deres egne mikroskoper.