Biofysici brengen ons dichter bij intelligente microscopen

Wanneer iemand gedetailleerde observaties van bacteriële deling uit een monster van levende bacteriën wil verkrijgen, kan dit een beetje ingewikkeld worden. Ze moeten mogelijk de hele tijd bij de microscoop blijven totdat de bacterie deelt, wat uren kan duren. Handmatige detectie en acquisitiecontrole is eigenlijk heel gewoon in het veld.

Een andere optie is om de microscoop in te stellen om beelden te maken zonder onderscheid en zo vaak mogelijk, maar overmatig licht kan problemen veroorzaken. Het vermindert de fluorescentie van het monster sneller, wat levende monsters te snel kan vernietigen. Tegelijkertijd zouden er veel onnodige beelden gegenereerd worden, en slechts een paar zouden daadwerkelijk beelden van delende bacteriën bevatten.

Nog een andere oplossing is om kunstmatige intelligentie (AI) te gebruiken om voorlopers van bacteriële deling te detecteren en deze te gebruiken om de controlesoftware van de microscoop automatisch bij te werken, wat zou helpen om meer beelden van de deling te maken.

Automatisering van microscoopbesturing

Als we naar deze drie verschillende opties kijken, heeft een team van biofysici aan de Ecole Polytechnique Fédérale de Lausanne (EPFL) een manier gevonden om de microscoopbesturing te automatiseren voor het maken van beelden van biologische gebeurtenissen in detail. En tegelijkertijd beperkt de methode de stress op het monster. De nieuwe techniek is gebaseerd op kunstmatige neurale netwerken en werkt zowel voor bacteriële celdeling als mitochondriale deling.

Het team publiceerde hun resultaten in Nature Methods.

Suliana Manley is de hoofdonderzoeker van het Laboratorium voor Experimentele Biofysica van de EPFL.

“Een intelligente microscoop is een beetje zoals een zelfrijdende auto. Het moet bepaalde soorten informatie verwerken, subtiele patronen die het dan beantwoordt door zijn gedrag te veranderen,” zegt Manley. “Door een neurale netwerk te gebruiken, kunnen we veel subtieler gebeurtenissen detecteren en deze gebruiken om veranderingen in de acquisitiesnelheid aan te sturen.”

Het team vond eerst een oplossing voor het detecteren van mitochondriale deling, wat moeilijker is dan een oplossing voor bepaalde bacteriën. Mitochondriale deling komt minder vaak voor, wat betekent dat het onvoorspelbaar is, en het kan bijna overal binnen het mitochondriale netwerk op elk moment gebeuren.

Training van het neurale netwerk

Het team trainde het neurale netwerk om mitochondriale constricties te detecteren, wat een verandering in de vorm van mitochondriën is die leidt tot deling. Ze observeerden ook een eiwit dat bekend staat als verrijkt op delingsplaatsen.

De microscoop zal overschakelen naar hoge-snelheidsbeelden wanneer zowel constricties als eiwitniveaus hoog zijn, waardoor het veel beelden van delingsgebeurtenissen kan maken. Maar wanneer de niveaus laag zijn, zal de microscoop overschakelen naar lage-snelheidsbeelden, waardoor het monster minder wordt blootgesteld aan overmatig licht.

Een intelligente fluorescentiemicroscoop zoals deze stelt wetenschappers in staat om monsters langer te observeren in vergelijking met standaard snelle beeldvorming. Het monster was meer gestrest in vergelijking met standaard langzame beeldvorming, maar het team kon meer betekenisvolle gegevens verkrijgen.

“Het potentieel van intelligente microscopie omvat het meten van wat standaardacquisities zouden missen,” legt Manley uit. “We vangen meer gebeurtenissen, meten kleinere constricties en kunnen elke deling in groter detail volgen.”

Het team maakt de besturingsframework nu beschikbaar als een open-source plug-in voor de open microscoopsoftware Micro-Manager. Ze willen andere wetenschappers in staat stellen om AI in hun eigen microscopen te integreren.