Biofysikere bringer oss nærmere intelligente mikroskoper

Når noen ønsker å få detaljerte observasjoner av bakteriedeling fra en prøve av levende bakterier, kan det bli litt komplisert. De må kanskje sitte ved mikroskopet uten avbrytelse til bakterien deler seg, noe som kan ta timer. Manuell deteksjon og akquisisjonskontroll er faktisk svært vanlig i feltet.

En annen mulighet er å sette mikroskopet til å ta bilder uten diskriminering og så ofte som mulig, men overflod av lys kan forårsake problemer. Det tømmer fluoroscensen fra prøven raskere, noe som kan ødelegge levende prøver for tidlig. Samtidig vil det være mange unødvendige bilder generert, og bare noen få vil faktisk inneholde bilder av delende bakterier.

Enda en løsning er å bruke kunstig intelligens (AI) til å detektere forløpere til bakteriedeling og bruke dem til å automatisk oppdatere mikroskopets kontrollprogramvare, som ville hjelpe det til å ta flere bilder av delingen.

Automatisering av mikroskopekontroll

Ser man på disse tre forskjellige alternativene, har et team av biofysikere ved Ecole Polytechnique Fédérale de Lausanne (EPFL) kommet opp med en måte å automatisere mikroskopekontroll for å bilete biologiske hendelser i detalj. Og samtidig begrenser metoden stressen på prøven. Den nye teknikken baserer seg på kunstige neurale nettverk, og den fungerer for både bakteriecelldeling og mitokondriedeling.

Teamet publiserte sine funn i Nature Methods.

Suliana Manley er hovedundersøker fra EPFLs Laboratory of Experimental Biophysics.

“En intelligent mikroskop er litt som en selvkjørende bil. Det må prosessere visse typer informasjon, subtile mønster som det så responderer på ved å endre sitt atferd,” sier Manley. “Ved å bruke et neuralt nettverk, kan vi detektere mye mer subtile hendelser og bruke dem til å drive endringer i akquisisjonshastighet.”

Teamet fant først en løsning for å detektere mitokondriedeling, som er vanskeligere enn en løsning for visse bakterier. Mitokondriedeling skjer mindre ofte, noe som gjør det uforutsigbart, og det kan skje nesten hvor som helst i mitokondrienettverket når som helst.

Trening av neuralt nettverk

Teamet trente neuralt nettverk til å se etter mitokondriekonstriksjoner, som er en endring i formen på mitokondrier som fører til deling. De observerte også et protein som er kjent for å være rik på steder for deling.

Mikroskopet vil skifte til høyhastighetsbileting når både konstriksjoner og proteinverdier er høye, noe som muliggjør at det kan fange mange bilder av delingshendelser. Men når verdiene er lave, vil mikroskopet skifte til lavhastighetsbileting, noe som hjelper til å unngå å eksponere prøven for overflod av lys.

Et intelligent fluorescerende mikroskop som dette muliggjør at forskerne kan observere prøver over lengre tid sammenlignet med standard rask bileting. Prøven var mer stresset sammenlignet med standard langsom bileting, men teamet kunne få mer meningsfulle data.

“Potensialet for intelligent mikroskopi inkluderer å måle hva standard akvisisjoner ville gå glipp av,” forklarer Manley. “Vi fanger flere hendelser, måler mindre konstriksjoner og kan følge hver deling i større detalj.”

Teamet er nå i ferd med å gjøre kontrollrammeverket tilgjengelig som et åpen kildeprogram-tillegg for det åpne mikroskopprogramvaren Micro-Manager. De ønsker å muliggjøre at andre forskere kan integrere AI i sine egne mikroskoper.