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 немного 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. Αποντύνει την φθορισμό από το δείγμα πιο γρήγορα, το οποίο μπορεί να καταστρέψει προκαταβολικά τα ζωντανά δείγματα. Ταυτόχρονα, θα υπάρξουν πολλές άχρηστες εικόνες που θα παραχθούν και μόνο quelques θα περιέχουν πραγματικά εικόνες διαιρούμενων βακτηρίων.

Ένα άλλο λύση είναι να χρησιμοποιηθεί η τεχνητή νοημοσύνη (AI) για να ανιχνεύσει προκαταρκτικά στη διαιρέση των βακτηρίων και να τα χρησιμοποιήσει για να ενημερώσει αυτόματα το λογισμικό ελέγχου του μικροσκοπίου, το οποίο θα βοηθήσει να λαμβάνει περισσότερες εικόνες της διαιρέσεως.

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 стрέσσο στο δείγμα. Η νέα τεχνική βασίζεται σε τεχνητά νευρωνικά δίκτυα και λειτουργεί τόσο για τη διαιρέση των βακτηριακών κυττάρων όσο και για τη διαιρέση των μιτοχονδρίων.

Η ομάδα δημοσίευσε τις ανακαλύψεις τους στο Nature Methods.

Η Suliana Manley είναι ο επικεφαλής ερευνητής από το Εργαστήριο Πειραματικής Βιοφυσικής του EPFL.

«Ένα έξυπνο μικροσκόπιο είναι κάτι σαν ένα αυτοοδηγούμενο αυτοκίνητο. Χρειάζεται να επεξεργαστεί certains τύπους πληροφοριών, λεπτές προτυπώσεις που τότε αντιδρά με αλλαγή της συμπεριφοράς», λέει η Manley. «Με τη χρήση ενός νευρωνικού δικτύου, μπορούμε να ανιχνεύσουμε πολύ πιο λεπτές συμβάντα και να τα χρησιμοποιήσουμε για να οδηγήσουμε αλλαγές στην ταχύτητα απόκτησης.»

Η ομάδα βρήκε πρώτα μια λύση για την ανίχνευση της διαιρέσεως των μιτοχονδρίων, η οποία είναι πιο δύσκολη από μια λύση για certains βακτήρια. Η διαιρέση 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 συσπάσεις των μιτοχονδρίων, η οποία είναι μια αλλαγή στη μορφή των μιτοχονδρίων που οδηγεί στη διαιρέση. Επίσης, παρατήρησαν μια πρωτεΐνη που είναι γνωστή ότι είναι εμπλουτισμένη σε σημεία διαιρέσεως.

Το μικροσκόπιο θα μεταβαίνει σε υψηλή ταχύτητα απεικόνισης όταν και οι συσπάσεις και τα επίπεδα πρωτεΐνης είναι υψηλά, το οποίο του επιτρέπει να λαμβάνει πολλές εικόνες συμβάντων διαιρέσεως. 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 φθορισμού μικροσκόπιο όπως αυτό επιτρέπει στους επιστήμονες να παρατηρούν δείγματα για μεγαλύτερο χρονικό διάστημα σε σύγκριση με το τυποικό γρήγορο απεικόνιση. Το δείγμα ήταν πιο तनτωμένο σε σύγκριση με το τυποικό αργό απεικόνιση, αλλά η ομάδα μπορούσε να λάβει πιο σημαντικά δεδομένα.

«Η δυνατότητα της έξυπνης μικροσκοπίας περιλαμβάνει τη μέτρηση του τι θα χάσει η τυποική απόκτηση», εξηγεί η Manley. «Λαμβάνουμε περισσότερα συμβάντα, μετράμε μικρότερες συσπάσεις και μπορούμε να ακολουθήσουμε κάθε διαιρέση με μεγαλύτερη λεπτομέρεια.»

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