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 mikroskopet 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 mikroskopet til at tage billeder uden diskrimination og så ofte som muligt, men overmål af lys kan forårsage problemer. Det udhuler 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 styresoftware, hvilket vil hjælpe det med at tage flere billeder af delingen.

Automatisering af mikroskoptilføjelse

Ved at se på disse tre forskellige muligheder har et hold af biofysikere fra Ecole Polytechnique Fédérale de Lausanne (EPFL) fundet en måde at automatisere mikroskoptilføjelse 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 Laboratorium for Eksperimentel Biofysik.

“En intelligent mikroskop er lidt ligesom en selvstyrende bil. Det skal behandle visse typer af information, subtile mønstre, som det så responderer til 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 akuisitionshastighed.”

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

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 med deling.

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

Et intelligent fluorescerende mikroskop som dette giver videnskabsmænd mulighed for at 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.

“Potentialen for intelligent mikroskopi inkluderer måling af, hvad standard akkvisitioner ville overse,” forklarer Manley. “Vi fanger flere begivenheder, måler mindre konstriktioner og kan følge hver deling i større detalje.”

Holdet er nu ved at gøre styreframeworket tilgængeligt som et åbent kilde-plugin til det åbne mikroskopsoftware Micro-Manager. De ønsker at give andre videnskabsmænd mulighed for at integrere AI i deres egne mikroskoper.