Флуоресцентная микроскопия — это широко используемый метод в науках о жизни, который позволяет ученым видеть определенные части клеток и тканей, помечая их светящимися молекулами, что помогает в изучении клеточной структуры и движения, поведения молекул и эффектов лекарств.
Чтобы понять относительное положение структур внутри клетки или ткани, ученые обычно должны вычислить трехмерное (3D) расстояние между двумя микроскопическими флуоресцентными пятнами, используя информацию о положении. Однако ученые из Техниона — Израильского технологического института использовали нейронные сети для разработки оптической системы для прямого измерения расстояния.
Исследование было опубликовано в Intelligent Computing 21 декабря.
«Микроскопы традиционно оптимизировались для получения максимально четкого изображения, ориентированного на человека-наблюдателя. Однако в вычислительной микроскопии эта цель изменилась в сторону обеспечения наиболее информативных измерений для последующего компьютерного анализа», — говорят авторы. Использование вычислительных методов может расширить возможности традиционных оптических микроскопов.
Одной из важных задач современной микроскопии является подтверждение трехмерного пространственного положения флуоресцентных источников. Разрешение оптической микроскопии и, следовательно, точность измерений положения ограничены дифракцией или «расплыванием» световой волны, когда она проходит через маленькое отверстие или фокусируется в маленькое пятно. Это пятно, называемое функцией рассеяния точки (PSF) системы, может быть спроектировано для кодирования полезных характеристик точечного источника, таких как информация о цвете или трехмерное пространственное положение для точной локализации.
Однако во многих сценариях визуализации многоцветной локализации ученым необходимо измерять трехмерное расстояние между двумя точками в образце, а не определять их точное местоположение. Авторы иллюстрируют это положение: «Когда образец состоит точно из 2 пятен разного цвета, например, меченых локусов ДНК в живых клетках дрожжей, точное трехмерное положение каждого локуса по отношению к некоторой глобальной системе координат не имеет значения — только расстояние между точками локуса представляет интерес».
Точные трехмерные измерения расстояний могут выявить движение и динамику компонентов во времени, помогая в изучении клеточных процессов, таких как миграция и деление.
Чтобы решить проблему получения таких измерений, авторы разработали сквозной метод машинного обучения для проектирования оптических систем, который сочетает в себе нейронные сети и инженерию PSF для прямого измерения трехмерного расстояния между двумя точками разного цвета. Нейронная сеть , состоящая из физической модели и сети реконструкции, используется для одновременного обучения как кодированию (оптимальная фазовая маска для модуляции PSF), так и декодированию (вычисление расстояния от модифицированных изображений).
Авторы экспериментально продемонстрировали, не только используя пары флуоресцентных шариков, но также используя пары локусов ДНК в дрожжевых клетках , что можно использовать нейронные сети в сочетании с инженерией PSF для разработки более точной оптической системы, которая использует преимущества необходимость измерения расстояния, а не измерения положения.
Будущая работа может включать определение расстояния до одного цвета для упрощения маркировки и улучшения отношения сигнал-шум (SNR) или, скорее, расширение этого метода для кодирования более двух цветов излучения и исследования более сложной динамики, особенно для исследования организации хромосом. . Кроме того, метод, созданный этими исследователями, может быть улучшен для обработки изображений, содержащих скученные клетки, для высокопроизводительной визуализации клеточных популяций.
Теги: ИИ
