Comment l'intelligence artificielle peut améliorer la détection des protéines
Utiliser l'IA pour repousser les limites de la microscopie
Les petites protéines jouent un rôle essentiel dans la régulation de la réponse immunitaire, de l'inflammation et des maladies neurodégénératives. Afin de mieux les détecter et les étudier, des scientifiques de l'Institut Max-Planck pour la science de la lumière et de la FAU ont combiné l'une des méthodes de microscopie les plus efficaces, appelée iSCAT, avec l'intelligence artificielle.
Grâce à la combinaison d'une technologie de microscope très avancée dans l'iSCAT et de multiples techniques d'apprentissage automatique, l'équipe du MPL et de la FAU continue de repousser les limites de la détection optique.
Mahyar Dahmardeh
Les molécules biologiques telles que les protéines sont des constituants centraux de tous les systèmes vivants et dictent toutes les réactions physiologiques dans des conditions de santé et de maladie. En particulier, de nombreuses petites protéines jouent un rôle essentiel dans la régulation de la réponse immunitaire, de l'inflammation et des maladies neurodégénératives. Des méthodes rapides et non invasives de détection des protéines peuvent donc nous aider à améliorer le diagnostic des maladies et le développement des médicaments.
Les méthodes traditionnelles de détection des protéines consistent à marquer les protéines avec une étiquette fluorescente ou radioactive, afin de les suivre et de les détecter. Toutefois, ces méthodes se sont révélées assez coûteuses et longues. Plus problématique encore, ces étiquettes peuvent altérer la fonction de la protéine étudiée, ce qui rend les données recueillies peu fiables. L'intérêt scientifique pour les fonctions des protéines s'est accru ces dernières années, de même que l'intérêt pour les méthodes de détection sans étiquette. La microscopie interférométrique à diffusion (iSCAT) est l'une de ces méthodes, qui est aujourd'hui largement considérée comme l'une des techniques les plus efficaces et les plus sensibles de détection des protéines en temps réel et sans étiquette.
L'iSCAT est basée sur la détection sensible de la lumière diffusée par des protéines individuelles par interférométrie. Lorsque des protéines individuelles sédimentent d'un tampon sur un verre de couverture, l'ombre minuscule de la protéine projetée sur une caméra donne des informations sur sa taille et sa masse. C'est pourquoi cette méthode est également connue sous le nom de photométrie de masse. Cependant, une combinaison de sources de bruit technique et de fluctuations d'arrière-plan de type speckle a précédemment limité la sensibilité de la détection iSCAT aux protéines plus grandes que 40 KDa.
Utiliser l'IA pour repousser les limites de la microscopie
Afin de pousser la sensibilité de l'iSCAT encore plus loin, une équipe de MPL autour du directeur général Vahid Sandoghdar, composée de l'ingénieur électricien Mahyar Dahmardeh, de l'informaticien Houman Mirzaalian et du physico-chimiste Hisham Mazal, a collaboré avec Harald Köstler de la FAU pour utiliser deux techniques d'apprentissage automatique afin de détecter des protéines de 10 kDa ou moins.
Dans un article publié dans Nature Methods, ils ont montré comment ils peuvent utiliser l'algorithme iForest en combinaison avec la technique FastDVDnet pour parvenir à ce résultat. Il s'agit dans les deux cas de techniques d'apprentissage automatique non supervisées, ce qui signifie qu'elles ne doivent pas être formées au préalable sur un ensemble de données étiquetées. L'apprentissage automatique non supervisé est très souhaitable en microscopie, car il permet d'identifier des modèles et des relations dans de grands ensembles de données sans connaître le modèle d'imagerie sous-jacent. Ceci est particulièrement important lorsque la limite de détection est à la limite du niveau de bruit et qu'il y a un manque de données étiquetées pour entraîner le réseau.
FastDVDnet est une technique avancée de débruitage d'images qui supprime le bruit des images de microscopie à l'aide de réseaux neuronaux profonds. Elle est optimisée pour le traitement parallèle, ce qui lui permet de traiter de très grands ensembles de données en un temps relativement court. Dans ce cas, les chercheurs ont utilisé FastDVDnet pour identifier les images iSCAT des protéines à partir des séquences vidéo enregistrées. Les caractéristiques spatio-temporelles extraites par FastDVDnet ont ensuite été utilisées par iForest pour regrouper les données iSCAT.
L'algorithme d'apprentissage automatique non supervisé isolation Forest (iForest) est couramment utilisé pour les tâches de détection d'anomalies. Il est particulièrement bien adapté à la microscopie car il peut traiter des données de haute dimension avec un grand nombre de caractéristiques, ce qui permet d'obtenir des résultats plus précis et plus complets. Ceci est particulièrement utile lors de l'analyse de données microscopiques, où l'identification de caractéristiques rares ou anormales devient importante. Par exemple, la détection d'anomalies d'iForest peut être utilisée pour détecter la présence de structures rares dans un tissu biologique ou pour identifier des cellules présentant des morphologies inhabituelles. Cet algorithme peut aider à identifier des caractéristiques rares ou inhabituelles que les méthodes d'analyse traditionnelles risquent de négliger.
Le professeur Vahid Sandoghdar se souvient du travail acharné de son équipe, mais il se réjouit déjà du prochain défi : "Nous avons parcouru un long chemin depuis notre premier rapport sur la détection de petites protéines sans étiquette publié dans Nature Communications en 2014. Nous sommes déterminés à repousser la limite de détection en améliorant les méthodes de mesure physique et en développant des algorithmes d'apprentissage automatique plus sophistiqués. Il n'y a vraiment aucune raison fondamentale pour que nous ne soyons pas en mesure de détecter des molécules inférieures à 1kDa, dont le poids est proche de celui d'une seule molécule de lipide."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités du secteur des sciences de la vie
Ne manquez plus aucune actualité : notre newsletter consacrée aux biotechnologies, au secteur pharmaceutique et aux sciences de la vie vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
