El aprendizaje automático mejora el análisis de imágenes biológicas
Un equipo internacional de investigadores desarrolla un algoritmo que acelera la microscopía de superresolución
Los científicos utilizan la microscopía de superresolución para estudiar mundos celulares hasta ahora desconocidos, revelando detalles a escala nanométrica en el interior de las células. Este método revolucionó la microscopía de luz y permitió a sus inventores recibir el Premio Nobel de Química en 2014. En una colaboración internacional, investigadores de IA de Tubinga han desarrollado ahora un algoritmo que acelera considerablemente esta tecnología.
Reconstruction by Artur Speiser et. al., data provided by Wesley Legant et. al.
La microscopía de localización de moléculas individuales (SMLM) es un tipo de microscopía de superresolución. Consiste en marcar las proteínas de interés con moléculas fluorescentes y utilizar la luz para activar sólo unas pocas moléculas a la vez. Con este truco se adquieren múltiples imágenes de la misma muestra. Para crear una imagen significativa, un programa informático descifra los datos y compila la imagen completa. Aunque la técnica puede utilizarse para localizar moléculas con gran precisión, tiene un gran inconveniente: requiere que los científicos adquieran un gran número de imágenes, lo que hace que el proceso requiera mucho tiempo.
En una colaboración internacional, el equipo de Jakob Macke, catedrático de Aprendizaje Automático en Ciencias de la Universidad de Tubinga, ha desarrollado un nuevo algoritmo que supera esta limitación del SMLM. El trabajo conjunto con el Grupo Ries del Laboratorio Europeo de Biología Molecular (EMBL) de Heidelberg y el equipo del Dr. Srinivas Turaga del Janelia Research Campus (Virginia, EE.UU.) se ha publicado en Nature Methods.
El aprendizaje profundo permite una localización altamente precisa de una sola molécula
El algoritmo DECODE (DEep COntext DEpendent) se basa en el aprendizaje profundo: Utiliza una red neuronal que aprende de los datos de entrenamiento. Sin embargo, en lugar de utilizar imágenes reales, en este caso la red se entrena con datos sintéticos generados por una simulación numérica. Al incorporar información sobre el montaje microscópico y la física de las imágenes, los investigadores lograron simulaciones que se acercaban mucho a las adquisiciones del mundo real. "La red neuronal que hemos entrenado con datos simulados también puede detectar y localizar fluoróforos en imágenes reales", explica Artur Speiser, autor principal del artículo junto con Lucas-Raphael Müller.
Una de las ventajas de DECODE es que detecta y localiza con precisión los fluoróforos a densidades más altas de lo que era posible hasta ahora. Esto significa que se necesitan menos imágenes por muestra. En consecuencia, la velocidad de obtención de imágenes puede multiplicarse por diez con una mínima pérdida de resolución. Además, DECODE puede cuantificar las incertidumbres, de modo que la propia red puede detectar cuando no está segura de su localización.
La interdisciplinariedad amplía las perspectivas de la investigación
"Este trabajo es indicativo del enfoque de nuestro Cluster de Excelencia 'Machine Learning: Nuevas perspectivas para la ciencia'", afirma Macke, cuya cátedra forma parte del clúster de Tubinga. "Originalmente desarrollamos las ideas subyacentes al enfoque de aprendizaje automático en un contexto muy diferente, pero a través de la colaboración con expertos en microscopía computacional fuimos capaces de convertirlas en potentes métodos para analizar los datos de SMLM."
El equipo también ha creado un paquete de software que implementa el algoritmo DECODE. "El software es sencillo de instalar y de uso gratuito, por lo que esperamos que sea útil para muchos científicos en el futuro", añade el Dr. Jonas Ries, del EMBL.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Más noticias del departamento ciencias
Reciba la industria de las ciencias biológicas en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de biotecnología, productos farmacéuticos y ciencias de la vida le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
