Wetenschappers hebben een geautomatiseerd hulpmiddel ontwikkeld om de beweging van deeltjes in cellen in kaart te brengen, wat het onderzoek op veel gebieden kan versnellen, een nieuwe studie in eLife-rapporten.

De bewegingen van kleine moleculen, eiwitten en cellulaire componenten door het hele lichaam spelen een belangrijke rol bij gezondheid en ziekte. Bijvoorbeeld, ze dragen bij aan de ontwikkeling van de hersenen en de progressie van sommige ziekten. Het nieuwe gereedschap, gebouwd met geavanceerde machine learning-technologie, maakt het volgen van deze bewegingen sneller, gemakkelijker en minder vatbaar voor vooroordelen.

Momenteel, wetenschappers kunnen afbeeldingen gebruiken die kymografen worden genoemd, die de beweging van deeltjes in tijd en ruimte vertegenwoordigen, voor hun analyses van deeltjesbewegingen. Deze kymografen zijn geëxtraheerd uit time-lapse-video's van deeltjesbewegingen die zijn opgenomen met behulp van microscopen. De analyse moet handmatig worden gedaan, die zowel traag als kwetsbaar is voor onbewuste vooroordelen van de onderzoeker.

"We hebben de kracht van machine learning gebruikt om dit al lang bestaande probleem op te lossen door het traceren van kymografen te automatiseren, " zegt hoofdauteur Maximilian Jakobs, een doctoraat student aan de afdeling Fysiologie, Ontwikkeling en Neurowetenschappen aan de Universiteit van Cambridge, VK.

Het team ontwikkelde de software, genaamd 'KymoButler', om het proces te automatiseren. De software maakt gebruik van deep learning-technologie, die probeert de netwerken in de hersenen na te bootsen, zodat software kan leren en in de loop van de tijd en meerdere pogingen vaardiger kan worden in een taak. Vervolgens testten ze KymoButler met behulp van zowel kunstmatige als echte gegevens van wetenschappers die de beweging van een reeks verschillende deeltjes bestudeerden.

"We tonen aan dat KymoButler zowel deskundige handmatige gegevensanalyse uitvoert op kymografen met complexe deeltjestrajecten van een verscheidenheid aan biologische systemen, " legt Jakobs uit. De software kon ook analyses in minder dan een minuut voltooien, wat een expert 1,5 uur zou kosten.

KymoButler is beschikbaar voor andere onderzoekers om te downloaden en te gebruiken op kymobutler.deepmirror.ai. Senior auteur Kristian Franze, Lezer in Neuronale Mechanica aan de Universiteit van Cambridge, verwacht dat de software zal blijven verbeteren naarmate het meer soorten gegevens analyseert. Onderzoekers die de tool gebruiken, krijgen de mogelijkheid om hun kymografen anoniem te uploaden om het team te helpen de software verder te ontwikkelen.

"We hopen dat onze tool nuttig zal zijn voor anderen die betrokken zijn bij het analyseren van bewegingen van kleine deeltjes, op welk gebied ze ook werken, " zegt Frans, wiens lab is gewijd aan het begrijpen hoe fysieke interacties tussen cellen en hun omgeving de ontwikkeling en regeneratie van de hersenen vormgeven.