Οι Βιοφυσικοί Κάνουν Τα Μικροσκόπια Πιο Έξυπνα

Όταν κάποιος θέλει να λάβει λεπτομερείς παρατηρήσεις της διαίρεσης των βακτηρίων από ένα δείγμα ζωντανών βακτηρίων, τα πράγματα μπορούν να γίνουν λίγο περίπλοκα. Ίσως πρέπει να μείνει στο μικροσκόπιο συνεχώς μέχρι να διαιρεθεί το βακτήριο, το οποίο μπορεί να διαρκέσει ώρες. Η χειροκίνητη ανίχνευση και έλεγχος της απόκτησης είναι πραγματικά πολύ κοινή στην περιοχή.

Μια άλλη επιλογή είναι να οριστεί το μικροσκόπιο να λαμβάνει εικόνες χωρίς διάκριση και όσο το δυνατόν συχνότερα, αλλά το υπερβολικό φως μπορεί να προκαλέσει προβλήματα. Εξαντλεί τον φθορισμό από το δείγμα πιο γρήγορα, το οποίο μπορεί να καταστρέψει πρόωρα τα ζωντανά δείγματα. Ταυτόχρονα, θα υπάρξουν πολλές άχρηστες εικόνες που θα παραχθούν και μόνο λίγες θα περιέχουν πραγματικά εικόνες διαιρούμενων βακτηρίων.

Μια άλλη λύση είναι να χρησιμοποιηθεί η τεχνητή νοημοσύνη (AI) για να ανιχνεύσει πρόδρομα σημάδια της διαίρεσης των βακτηρίων και να τα χρησιμοποιήσει για να ενημερώσει αυτόματα το λογισμικό ελέγχου του μικροσκοπίου, το οποίο θα βοηθήσει να λαμβάνει περισσότερες εικόνες της διαίρεσης.

Αυτοματοποίηση Ελέγχου Μικροσκοπίου

Βλέποντας αυτές τις τρεις διαφορετικές επιλογές, μια ομάδα βιοφυσικών στο Ecole Polytechnique Fédérale de Lausanne (EPFL) έχουν βρει έναν τρόπο να αυτοματοποιήσουν τον έλεγχο του μικροσκοπίου για απεικόνιση βιολογικών συμβάντων με λεπτομέρεια. Και ταυτόχρονα, η μέθοδος περιορίζει τον στρες στο δείγμα. Η νέα τεχνική βασίζεται σε τεχνητά νευρωνικά δίκτυα και λειτουργεί τόσο για τη διαίρεση των βακτηριακών κυττάρων όσο και για τη διαίρεση των μιτοχονδρίων.

Η ομάδα δημοσίευσε τις ανακαλύψεις τους στο Nature Methods.

Η Suliana Manley είναι η επικεφαλής ερευνήτρια από το Εργαστήριο Πειραματικής Βιοφυσικής του EPFL.

«Ένα έξυπνο μικροσκόπιο είναι κάτι σαν ένα αυτοοδηγούμενο αυτοκίνητο. Χρειάζεται να επεξεργαστεί ορισμένους τύπους πληροφοριών, λεπτά μοτίβα στα οποία αντιδρά αλλάζοντας τη συμπεριφορά του», λέει η Manley. «Με τη χρήση ενός νευρωνικού δικτύου, μπορούμε να ανιχνεύσουμε πολύ πιο λεπτά συμβάντα και να τα χρησιμοποιήσουμε για να οδηγήσουμε αλλαγές στην ταχύτητα λήψης εικόνων.»

Η ομάδα βρήκε πρώτα μια λύση για την ανίχνευση της διαίρεσης των μιτοχονδρίων, η οποία είναι πιο δύσκολη από μια λύση για ορισμένα βακτήρια. Η διαίρεση των μιτοχονδρίων συμβαίνει λιγότερο συχνά, που σημαίνει ότι είναι απρόβλεπτη, και μπορεί να συμβεί σχεδόν οπουδήποτε μέσα στο δίκτυο των μιτοχονδρίων σε οποιαδήποτε στιγμή.

Εκπαίδευση του Νευρωνικού Δικτύου

Η ομάδα εκπαίδευσε το νευρωνικό δίκτυο να αναζητήσει στενώσεις των μιτοχονδρίων, η οποία είναι μια αλλαγή στη μορφή των μιτοχονδρίων που οδηγεί στη διαίρεση. Επίσης, παρατήρησαν μια πρωτεΐνη που είναι γνωστή ότι είναι εμπλουτισμένη σε σημεία διαίρεσης.

Το μικροσκόπιο θα μεταβαίνει σε υψηλή ταχύτητα απεικόνισης όταν και οι στενώσεις και τα επίπεδα πρωτεΐνης είναι υψηλά, το οποίο του επιτρέπει να λαμβάνει πολλές εικόνες συμβάντων διαίρεσης. Αλλά όταν τα επίπεδα είναι χαμηλά, το μικροσκόπιο θα μεταβαίνει σε χαμηλή ταχύτητα απεικόνισης, η οποία βοηθά να αποφευχθεί η έκθεση του δείγματος σε υπερβολικό φως.

Ένα έξυπνο μικροσκόπιο φθορισμού όπως αυτό επιτρέπει στους επιστήμονες να παρατηρούν δείγματα για μεγαλύτερο χρονικό διάστημα σε σύγκριση με την τυπική απεικόνιση υψηλής ταχύτητας. Το δείγμα ήταν περισσότερο καταπονημένο σε σύγκριση με την τυπική απεικόνιση χαμηλής ταχύτητας, αλλά η ομάδα μπορούσε να λάβει πιο σημαντικά δεδομένα.

«Η δυνατότητα της έξυπνης μικροσκοπίας περιλαμβάνει τη μέτρηση του τι θα χάσει η τυπική λήψη εικόνων», εξηγεί η Manley. «Λαμβάνουμε περισσότερα συμβάντα, μετράμε μικρότερες στενώσεις και μπορούμε να ακολουθήσουμε κάθε διαίρεση με μεγαλύτερη λεπτομέρεια.»

Η ομάδα τώρα κάνει το πλαίσιο ελέγχου διαθέσιμο ως πρόσθετο ανοικτού κώδικα για το ανοικτό λογισμικό μικροσκοπίου Micro-Manager. Θέλουν να επιτρέψουν σε άλλους επιστήμονες να ενσωματώσουν την τεχνητή νοημοσύνη στα δικά τους μικροσκόπια.