Künstliche Intelligenz und Hardware-Innovationen steigern Leistung eines konfokalen Mikroskops

Volumetrische Auflösung erfolgreich um mehr als das Zehnfache verbessert und gleichzeitig die Phototoxizität reduziert

29.11.2021 - USA

Seit der Pionier der künstlichen Intelligenz, Marvin Minsky, 1957 das Prinzip der konfokalen Mikroskopie patentieren ließ, ist sie aufgrund ihres besseren Kontrasts als die herkömmliche Weitfeldmikroskopie zum Standard in biowissenschaftlichen Labors weltweit geworden. Doch konfokale Mikroskope sind nicht perfekt. Sie erhöhen die Auflösung, indem sie jeweils nur einen einzigen, scharf eingestellten Punkt abbilden. Daher kann es eine ganze Weile dauern, bis eine gesamte, empfindliche biologische Probe gescannt ist, und sie wird dabei einer Lichtdosis ausgesetzt, die toxisch sein kann.

Um die konfokale Bildgebung auf ein noch nie dagewesenes Leistungsniveau zu heben, hat eine Kollaboration am Marine Biological Laboratory (MBL) eine konfokale Plattform entwickelt, die Lösungen von anderen Hochleistungs-Bildgebungssystemen aufgreift, einen roten Faden aus "Deep Learning"-Algorithmen der künstlichen Intelligenz hinzufügt und die volumetrische Auflösung des Konfokalsystems erfolgreich um mehr als das Zehnfache verbessert und gleichzeitig die Phototoxizität reduziert. Ihr Bericht über die Technologie ist online in Natureveröffentlicht .

"Viele Labors haben konfokale Mikroskope, und wenn sie mit diesen Algorithmen der künstlichen Intelligenz mehr Leistung aus ihnen herausholen können, müssen sie nicht in ein ganz neues Mikroskop investieren. Für mich ist das einer der besten und aufregendsten Gründe, diese KI-Methoden einzusetzen", so der Hauptautor und MBL-Fellow Hari Shroff vom National Institute of Biomedical Imaging and Bioengineering.

Quantitative Analyse von zellulären Organellen mit Künstlicher Intelligenz

Die Analyse von Kryo-Röntgenmikroskopie-Daten ist sehr zeitaufwendig: KI identifiziert nun Strukturen mit hoher Genauigkeit innerhalb weniger Minuten

News lesen

Zu den Innovationen der neuen konfokalen Plattform gehört die Verwendung von drei Objektiven, die es ermöglichen, eine Vielzahl von Probengrößen abzubilden, von Kernen und Neuronen im Embryo von C. elegans bis hin zum gesamten erwachsenen Wurm. Mehrere Probenansichten werden schnell erfasst, registriert und fusioniert, um Rekonstruktionen mit besserer Auflösung als bei der konfokalen Mikroskopie mit nur einem Objektiv zu erhalten. Die Plattform führt auch innovative Scanköpfe für die drei Objektive ein, die es ermöglichen, die Mikroskopbasis mit einer Zeilenscan-Beleuchtung zu versehen.

Darüber hinaus hat das Team die Plattform um die Fähigkeit zur "Superauflösung" erweitert (verbesserte Auflösung jenseits der Beugungsgrenze des Lichts), indem es Techniken aus der strukturierten Beleuchtungsmikroskopie adaptiert hat.

"Der Hardware-Gipfel, der bei dieser Plattform erklommen wird, sind die mehreren Linsen um die Probe herum, und dann der Trick mit der Superauflösung, für den eine Kombination aus Hardware und Berechnungen erforderlich ist. Es ist eine Meisterleistung, aber auch ein ziemlich phototoxisches Rezept. Die Probe wird mit sehr viel Licht bestrahlt", sagt Mitautor und MBL-Stipendiat Patrick La Rivière von der University of Chicago.

Eine Möglichkeit, der Phototoxizität entgegenzuwirken, besteht darin, das vom Laser des Mikroskops kommende Licht zu reduzieren. Aber dann gibt es Probleme mit dem "Rauschen" im Bild - eine Hintergrundkörnigkeit, die feine Details des abzubildenden Objekts (das "Signal") verdecken kann. An dieser Stelle kommt die künstliche Intelligenz ins Spiel.

Das Team trainierte ein Deep-Learning-Computermodell bzw. ein neuronales Netzwerk, um zwischen qualitativ schlechteren Bildern mit einem niedrigen Signal-Rausch-Verhältnis (SNR) und besseren Bildern mit einem höheren SNR zu unterscheiden. "Schließlich konnte das Netzwerk die Bilder mit höherem SNR vorhersagen, selbst bei einer Eingabe mit relativ niedrigem SNR", so Shroff.

"Deep Learning ermöglicht es, diesen Hardware-Gipfel als Goldstandard für die Auflösung zu nehmen und dann ein neuronales Netzwerk zu trainieren, um ähnliche Ergebnisse mit viel niedrigeren SNR-Daten, viel weniger Aufnahmen und damit viel weniger Lichtdosis für die Probe zu erzielen", sagte La Rivière.

Das Team demonstrierte die Fähigkeiten der Plattform an mehr als 20 verschiedenen festen und lebenden Proben, die Strukturen von weniger als 100 Nanometern bis zu einem Millimeter Größe enthielten. Dazu gehörten Proteinverteilungen in einzelnen Zellen, Zellkerne und sich entwickelnde Neuronen in Embryonen, Larven und erwachsenen Tieren von C. elegans, Myoblasten in den Imaginalscheiben von Drosophila-Flügeln sowie Nieren-, Speiseröhren-, Herz- und Gehirngewebe von Mäusen. Sie sehen auch mögliche Anwendungen für die Bildgebung von menschlichem Gewebe in histologischen und pathologischen Labors.

Shroff, La Rivière und der Co-Autor und Zellbiologe Daniel Colón-Ramos von der Yale School of Medicine arbeiten am MBL seit fast zehn Jahren zusammen, um Bildgebungstechnologien mit höherer Geschwindigkeit, Auflösung und längerer Dauer zu entwickeln. Zu den Mitarbeitern an dieser konfokalen Plattform gehörte auch Applied Scientific Instrumentation, ein Unternehmen, mit dem sie sowohl am MBL als auch an den National Institutes of Health zusammenarbeiteten.

Yicong Wu, Erstautor der Studie, hat die neue konfokale Plattform entwickelt und die Deep-Learning-Ansätze eingesetzt. Wu lernte den Umgang mit Deep Learning am MBL in der Pilotversion eines neuen Kurses, der dieses Jahr eingeführt wurde: DL@MBL: Deep Learning for Microscopy Image Analysis. (La Rivière ist Fakultätsmitglied in diesem Kurs.)

"Es ist ein Beweis für den Kurs, dass Yicong die Deep Learning-Methoden in vier Tagen erlernen und sie schnell weiterentwickeln konnte, so dass wir sie jetzt in unserem Labor anwenden können", sagte Shroff. "Das ist ein kurzes Feedback-Schema, oder? Es war großartig, dass MBL das katalysiert hat."

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.