Ученые из Института Аллена использовали машинное обучение, чтобы обучить компьютеры видеть части клетки, которые человеческий глаз не может легко различить. Используя 3D-изображения флуоресцентно помеченных клеток, исследовательская группа научила компьютеры находить структуры внутри живых клеток без флуоресцентных меток, используя только черно-белые изображения, полученные с помощью недорогой техники, известной как микроскопия светлого поля. Исследование, описывающее новую технику, опубликовано сегодня в журнале Nature Methods.
Флуоресцентная микроскопия, в которой используются светящиеся молекулярные метки для точного определения определенных частей клеток, очень точна, но позволяет ученым видеть только несколько структур в клетке одновременно. Клетки человека содержат более 20 000 различных белков, которые, если их рассматривать вместе, могут дать важную информацию как о здоровых, так и о больных клетках.
«Эта технология позволяет нам просматривать больший набор этих структур, чем это было возможно раньше», - сказал Грег Джонсон, доктор философии, научный сотрудник Института клеточных исследований Аллена, подразделения Института Аллена, и старший автор исследования. «Это означает, что мы можем исследовать организацию клетки способами, которые никому не удавалось сделать, особенно в живых клетках».
Инструмент прогнозирования также может помочь ученым понять, что происходит в клетках во время болезни, сказал Рик Хорвиц, доктор философии. Д., исполнительный директор Алленовского института клеточных исследований. Исследователи рака потенциально могут применить этот метод к архивным образцам биопсии опухоли, чтобы лучше понять, как меняются клеточные структуры по мере прогрессирования рака или реакции на лечение. Алгоритм также может помочь регенеративной медицине, раскрывая, как клетки меняются в реальном времени, когда ученые пытаются вырастить органы или другие новые структуры тела в лаборатории.
«Этот метод имеет огромные потенциальные возможности для этих и смежных областей», - сказал Хорвиц. «Вы можете наблюдать за происходящими процессами вживую - это почти как волшебство. Этот метод позволяет нам самым неинвазивным способом, который у нас есть, получать информацию о клетках человека, которую мы раньше не могли получить».
Комбинация свободно доступного набора инструментов прогнозирования и микроскопии светлого поля может снизить затраты на исследования, если использовать ее вместо флуоресцентной микроскопии, для которой требуется дорогостоящее оборудование и обученные операторы. Флуоресцентные метки также подвержены выцветанию, а сам свет может повредить живые клетки, что ограничивает полезность метода для изучения живых клеток и их динамики. Подход машинного обучения позволит ученым отслеживать точные изменения в клетках в течение длительных периодов времени, потенциально проливая свет на такие события, как раннее развитие или прогрессирование заболевания.
Для человеческого глаза клетки, рассматриваемые в светлопольном микроскопе, представляют собой мешочки, окрашенные в оттенки серого. Подготовленный ученый может найти края клетки и ядро, отсек для хранения ДНК клетки, но не более того. Исследовательская группа использовала существующую технику машинного обучения, известную как сверточная нейронная сеть, чтобы научить компьютеры распознавать более мелкие детали на этих изображениях, такие как митохондрии, электростанции клеток. По словам исследователей, они протестировали 12 различных клеточных структур, и модель сгенерировала предсказанные изображения, которые соответствовали флуоресцентно меченным изображениям для большинства этих структур.
Выяснилось также, что алгоритм смог зафиксировать, что удивило даже ученых, занимающихся моделированием.
«В начале у нас возникла идея, что если наши собственные глаза не могут видеть определенную структуру, то и машина не сможет ее изучить», - сказала Молли Малекар, доктор философии, Директор по моделированию в Институте клеточных наук Аллена и автор исследования. «Машины могут видеть то, чего не можем мы. Они могут изучать то, чего не можем мы. И они могут делать это намного быстрее».
Этот метод также может предсказывать точную структурную информацию по изображениям, полученным с помощью электронного микроскопа. Вычислительный подход здесь тот же, сказал Форрест Коллман, доктор философии, помощник исследователя в Институте наук о мозге Аллена и автор исследования, но приложения разные. Коллман является частью команды, работающей над картированием связей между нейронами в мозге мыши. Они используют этот метод для сопоставления изображений нейронов, полученных с помощью различных типов микроскопов, что обычно является сложной задачей для компьютера и трудоемкой задачей для человека.
"Наш прогресс в решении этой проблемы был ускорен благодаря тому, что наши коллеги из Алленовского института клеточных наук работали с нами над решением", - сказал Коллман.
Роджер Брент, доктор философии, член отдела фундаментальных наук Онкологического исследовательского центра Фреда Хатчинсона, использует новый подход в рамках своих исследований, направленных на улучшение «зрительной способности» микроскопов. для биологов, изучающих дрожжи и клетки млекопитающих. «Замена флуоресцентных микроскопов менее светоинтенсивными микроскопами позволит исследователям ускорить свою работу, сделать более качественные измерения функций клеток и тканей и сэкономить при этом деньги», - сказал Брент. «Открывая доступ к этим сетям, Институт Аллена помогает демократизировать биологические и медицинские исследования».
Другими соавторами исследования являются Чавин Оункомол, доктор философии, инженер Алленского института клеточных наук, и Шармиштаа Сешамани, доктор философии, ученый I Алленовского института наук о мозге.
Исследование было частично поддержано Национальным институтом неврологических расстройств и инсульта и Национальным институтом психического здоровья Национального института здоровья.