ဇီဝရူပဗေဒပညာရှင်များသည် ကျွန်ုပ်တို့အား Intelligent Microscopes များသို့ ပိုမိုနီးကပ်စေပါသည်။

သက်ရှိဗက်တီးရီးယားနမူနာမှ ဘက်တီးရီးယားခွဲဝေမှုကို အသေးစိတ်လေ့လာသိရှိလိုသည့်အခါတိုင်း၊ အရာများသည် အနည်းငယ်ရှုပ်ထွေးသွားနိုင်သည်။ ဘက်တီးရီးယားများ ကွဲသွားသည်အထိ နာရီပေါင်းများစွာ ကြာနိုင်သည် ။ လက်ဖြင့် ထောက်လှမ်းခြင်း နှင့် ရယူခြင်း ထိန်းချုပ်ခြင်း သည် အမှန်တကယ်တွင် နယ်ပယ်တွင် အလွန်အသုံးများသည်။ 

အခြားရွေးချယ်စရာမှာ ပုံများကို ခွဲခြား၍မရဘဲ တတ်နိုင်သမျှ မကြာခဏရိုက်ရန် အဏုစကုပ်ကို သတ်မှတ်ရန်၊ သို့သော် အလင်းအလွန်အကျွံသည် ပြဿနာများကို ဖြစ်စေနိုင်သည်။ ၎င်းသည် နမူနာမှ fluorescence ကို ပိုမိုမြန်ဆန်စွာ ကုန်ဆုံးစေပြီး သက်ရှိနမူနာများကို အချိန်မတိုင်မီ ဖျက်ဆီးနိုင်သည်။ တစ်ချိန်တည်းမှာပင်၊ မလိုအပ်သောပုံများစွာကို ထုတ်ပေးမည်ဖြစ်ပြီး အနည်းငယ်သာ ဘက်တီးရီးယားများကို ပိုင်းခြားထားသည့်ပုံများ အမှန်တကယ်ပါရှိပါသည်။ 

နောက်ထပ်ဖြေရှင်းချက်တစ်ခုကတော့ ဘက်တီးရီးယားတွေခွဲဝေမှုရဲ့ရှေ့ပြေးနိမိတ်တွေကိုထောက်လှမ်းဖို့ ဥာဏ်ရည်တု (AI) ကိုအသုံးပြုပြီး အဏုကြည့်ထိန်းချုပ်ဆော့ဖ်ဝဲလ်ကို အလိုအလျောက်မွမ်းမံပြင်ဆင်ဖို့အတွက် ၎င်းကိုအသုံးပြုကာ အပိုင်းပိုင်းကိုပိုမိုဓာတ်ပုံရိုက်နိုင်စေမှာဖြစ်ပါတယ်။ 

အလိုအလျောက်မိုက်ခရိုစကုပ်ထိန်းချုပ်မှု

ဤမတူညီသောရွေးချယ်စရာသုံးခုကိုကြည့်ပါက Ecole Polytechnique Fédérale de Lausanne (EPFL) မှ ဇီဝရူပဗေဒပညာရှင်အဖွဲ့တစ်ဖွဲ့သည် ဇီဝဖြစ်စဉ်များကို အသေးစိတ်ပုံရိပ်ဖော်ရန်အတွက် အဏုစကုပ်ထိန်းချုပ်မှုကို အလိုအလျောက်လုပ်ဆောင်ရန် နည်းလမ်းတစ်ခုကို တီထွင်လာခဲ့သည်။ တစ်ချိန်တည်းမှာပင်၊ နည်းလမ်းသည် နမူနာအပေါ် ဖိစီးမှုကို ကန့်သတ်ပေးသည်။ နည်းပညာသစ်သည် အာရုံကြော ကွန်ရက်များပေါ်တွင် မှီခိုနေပြီး ၎င်းသည် ဘက်တီးရီးယားဆဲလ်များ ခွဲဝေခြင်းနှင့် မီတိုဟွန်ဒရီရယ် ခွဲဝေခြင်း နှစ်မျိုးလုံးအတွက် လုပ်ဆောင်သည်။ 

အဆိုပါအဖွဲ့သည်၎င်းတို့၏တွေ့ရှိချက်များကိုထုတ်ဝေခဲ့သည် သဘာဝတရားနည်းလမ်းများ.  

Suliana Manley သည် EPFL's Laboratory of Experimental Biophysics မှ အဓိက စုံစမ်းစစ်ဆေးသူဖြစ်သည်။ 

“ဉာဏ်ရည်ထက်မြက်သော အဏုကြည့်မှန်ဘီလူးသည် အလိုအလျောက်မောင်းနှင်သည့် ကားနှင့်တူသည်။ ၎င်းသည် အချို့သော အချက်အလက်အမျိုးအစားများ၊ ထို့နောက် ၎င်း၏အပြုအမူကို ပြောင်းလဲခြင်းဖြင့် တုံ့ပြန်သည့် သိမ်မွေ့သောပုံစံများကို လုပ်ဆောင်ရန် လိုအပ်သည်” ဟု Manley ကဆိုသည်။ "အာရုံကြောကွန်ရက်ကို အသုံးပြုခြင်းဖြင့်၊ ကျွန်ုပ်တို့သည် ပိုမိုသိမ်မွေ့သောဖြစ်ရပ်များကို ရှာဖွေတွေ့ရှိနိုင်ပြီး ဝယ်ယူမှုအမြန်နှုန်းပြောင်းလဲမှုများကို မောင်းနှင်ရန် ၎င်းတို့ကို အသုံးပြုနိုင်သည်။"

အဖွဲ့သည် အချို့သော ဘက်တီးရီးယားများအတွက် ဖြေရှင်းချက်ထက် ပိုခက်ခဲသော mitochondrial division ကို ရှာဖွေတွေ့ရှိရန် အဖြေကို ပထမဆုံး တွေ့ရှိခဲ့သည်။ Mitochondrial division သည် ပို၍ မကြာခဏ ဖြစ်ပေါ်ပြီး ခန့်မှန်းမရသော အဓိပ္ပါယ် ရှိပြီး ၎င်းသည် mitochondrial ကွန်ရက်အတွင်း မည်သည့်အခိုက်အတန့်တွင်မဆို ဖြစ်ပွားနိုင်သည်။ 

Neural Network ကို လေ့ကျင့်ပေးခြင်း

အဖွဲ့သည် ကွဲခြင်းကိုဖြစ်စေသော mitochondria ၏ပုံသဏ္ဍာန်ပြောင်းလဲမှုဖြစ်သည့် mitochondrial constrictions ကိုရှာဖွေရန် အာရုံကြောကွန်ရက်ကို လေ့ကျင့်သင်ကြားပေးခဲ့သည်။ ခွဲဝေသည့်နေရာများတွင် ကြွယ်ဝသည်ဟုသိရသော ပရိုတင်းဓာတ်ကိုလည်း တွေ့ရှိခဲ့သည်။ 

ကန့်သတ်ချက်များနှင့် ပရိုတင်းပမာဏ မြင့်မားနေချိန်တွင် အဏုကြည့်မှန်ဘီလူးသည် မြန်နှုန်းမြင့် ပုံရိပ်အဖြစ်သို့ ပြောင်းလဲသွားမည်ဖြစ်ပြီး၊ ၎င်းသည် ကွဲပြားသည့်ဖြစ်ရပ်များ၏ ပုံများစွာကို ဖမ်းယူနိုင်စေမည်ဖြစ်သည်။ သို့သော် အဆင့်များနိမ့်သောအခါ၊ အဏုကြည့်မှန်ဘီလူးသည် နမူနာအား အလင်းလွန်ကဲစွာ ထိတွေ့ခြင်းမှ ရှောင်ရှားရန် ကူညီပေးသည့် မြန်နှုန်းနိမ့် ပုံရိပ်အဖြစ်သို့ ပြောင်းသွားမည်ဖြစ်သည်။ 

ဤကဲ့သို့သော ဉာဏ်ရည်ထက်မြက်သော ချောင်းအဏုကြည့်မှန်ဘီလူးသည် သိပ္ပံပညာရှင်များအား စံမြန်သောပုံရိပ်နှင့် နှိုင်းယှဉ်ပါက နမူနာများကို အချိန်ကြာကြာ စောင့်ကြည့်နိုင်စေပါသည်။ နမူနာသည် ပုံမှန်နှေးကွေးသောပုံရိပ်နှင့် နှိုင်းယှဉ်ပါက ပိုမိုအလေးပေးသော်လည်း အဖွဲ့သည် ပိုမိုအဓိပ္ပာယ်ရှိသော အချက်အလက်ကို ရယူနိုင်သည်။ 

"အသိဉာဏ်ရှိသော အဏုကြည့်မှန်ဘီလူး၏ အလားအလာသည် စံဝယ်ယူမှုများ လွဲချော်မည်ကို တိုင်းတာခြင်း ပါ၀င်သည်" ဟု Manley က ရှင်းပြသည်။ "ကျွန်ုပ်တို့သည် အဖြစ်အပျက်များကို ပိုမိုဖမ်းယူ၍ သေးငယ်သော ကန့်သတ်ချက်များကို တိုင်းတာပြီး အပိုင်းတစ်ခုစီကို ပိုမိုအသေးစိတ်သိရှိနိုင်ပါသည်။"

ယခုအခါ အဆိုပါအဖွဲ့သည် အဏုကြည့်ဆော့ဖ်ဝဲလ် Micro-Manager အတွက် open-source plug-in အဖြစ် ထိန်းချုပ်မှုမူဘောင်ကို ပြုလုပ်နေပါသည်။ ၎င်းတို့သည် အခြားသိပ္ပံပညာရှင်များကို ၎င်းတို့၏ကိုယ်ပိုင်အဏုစကုပ်များတွင် AI ပေါင်းစပ်နိုင်စေရန် ဆန္ဒရှိကြသည်။