Wetenschap
Suliana Manley's fluorescentiemicroscoop bij EPFL. Krediet:Hillary Sanctuary / EPFL
Stel je voor dat je een Ph.D. student met een fluorescerende microscoop en een monster van levende bacteriën. Wat is de beste manier om deze bronnen te gebruiken om gedetailleerde observaties van bacteriële deling van het monster te verkrijgen?
U kunt in de verleiding komen om af te zien van voedsel en rust, om non-stop voor de microscoop te zitten en beelden te krijgen wanneer de bacteriële deling eindelijk begint. (Het kan uren duren voordat één bacterie zich deelt.) Het is niet zo gek als het klinkt, aangezien handmatige detectie en acquisitiecontrole wijdverbreid is in veel van de wetenschappen.
Als alternatief kunt u de microscoop zo instellen dat hij willekeurig en zo vaak mogelijk beelden maakt. Maar overmatig licht put de fluorescentie van het monster sneller uit en kan levende monsters voortijdig vernietigen. Bovendien zou je veel oninteressante afbeeldingen genereren, aangezien slechts enkele afbeeldingen van delende bacteriën zouden bevatten.
Een andere oplossing zou zijn om kunstmatige intelligentie te gebruiken om voorlopers van bacteriële deling te detecteren en deze te gebruiken om de controlesoftware van de microscoop automatisch bij te werken om meer foto's van de gebeurtenis te maken.
EPFL-biofysici hebben nu een manier gevonden om microscoopcontrole te automatiseren voor het gedetailleerd in beeld brengen van biologische gebeurtenissen en tegelijkertijd de stress op het monster te beperken, allemaal met behulp van kunstmatige neurale netwerken. Hun techniek werkt voor bacteriële celdeling en voor mitochondriale deling. De details van hun intelligente microscoop worden beschreven in Nature Methods .
"Een intelligente microscoop is een soort zelfrijdende auto. Hij moet bepaalde soorten informatie verwerken, subtiele patronen waarop hij vervolgens reageert door zijn gedrag te veranderen", legt hoofdonderzoeker Suliana Manley van EPFL's Laboratory of Experimental Biophysics uit. "Door een neuraal netwerk te gebruiken, kunnen we veel subtielere gebeurtenissen detecteren en deze gebruiken om veranderingen in de acquisitiesnelheid aan te sturen."
Manley en haar collega's hebben eerst opgelost hoe mitochondriale deling te detecteren, moeilijker dan voor bacteriën zoals C. crescentus. Mitochondriale deling is onvoorspelbaar, omdat het niet vaak voorkomt en bijna overal in het mitochondriale netwerk op elk moment kan plaatsvinden. Maar de wetenschappers losten het probleem op door het neurale netwerk te trainen om te letten op mitochondriale vernauwingen, een vormverandering van mitochondriën die leidt tot deling, gecombineerd met waarnemingen van een eiwit waarvan bekend is dat het verrijkt is op delingsplaatsen.
Wanneer zowel de vernauwingen als de eiwitniveaus hoog zijn, schakelt de microscoop over op hogesnelheidsbeeldvorming om veel beelden van delingsgebeurtenissen in detail vast te leggen. Wanneer de vernauwing en het eiwitgehalte laag zijn, schakelt de microscoop over op beeldvorming met lage snelheid om te voorkomen dat het monster wordt blootgesteld aan overmatig licht.
With this intelligent fluorescent microscope, the scientists showed that they could observe the sample for longer compared to standard fast imaging. While the sample was more stressed compared to standard slow imaging, they were able to obtain more meaningful data.
"The potential of intelligent microscopy includes measuring what standard acquisitions would miss," Manley explains. "We capture more events, measure smaller constrictions, and can follow each division in greater detail."
The scientists are making the control framework available as an open source plug-in for the open microscope software Micro-Manager, with the aim of allowing other scientists to integrate artificial intelligence into their own microscopes. + Verder verkennen
Wetenschap © https://nl.scienceaq.com