Wetenschappers van de University of North Carolina in Chapel Hill hebben een nieuwe methode ontwikkeld voor het volgen van deeltjes op basis van machine learning, die veel nauwkeuriger is en betere automatisering biedt dan de technieken die momenteel worden gebruikt.

Single-particle tracking omvat het volgen van de beweging van individuele deeltjes, zoals virussen, cellen en met medicijnen geladen nanodeeltjes, in vloeistoffen en biologische monsters. De techniek wordt veel gebruikt in zowel de natuurkunde als de levenswetenschappen. Het team van UNC-Chapel Hill dat de nieuwe volgmethode heeft ontwikkeld, gebruikt het volgen van deeltjes om nieuwe manieren te ontwikkelen om infectieziekten te behandelen en te voorkomen. Ze onderzoeken moleculaire interacties tussen antilichamen en biopolymeren en karakteriseren en ontwerpen medicijndragers van nanoformaat. Hun werk is gepubliceerd in de Proceedings van de Nationals Academy of Scientists .

"Om betekenis te ontlenen aan video's, je moet de video's omzetten in kwantitatieve gegevens, " zei Sam Lai, doctoraat, een universitair hoofddocent aan de UNC Eshelman School of Pharmacy en een van de makers van de nieuwe tracker. "Met de huidige software, onderzoekers moeten zorgvuldig toezicht houden op de videoconversie om nauwkeurigheid te garanderen. Dit duurt vaak weken tot maanden, en beperken zowel de doorvoer als de nauwkeurigheid aanzienlijk.

"We zijn de bottleneck beu."

De wortel van het probleem kan worden herleid tot het kleine aantal parameters, zoals deeltjesgrootte, helderheid en vorm, gebruikt door de huidige software om het volledige scala aan deeltjes in een video te identificeren. Dingen worden gemist omdat ze niet helemaal passen in de parameters, en de parameters variëren naarmate verschillende operators ze instellen, Alison Schäfer, een doctoraat student in het Lai-lab, zei. Dit zorgt voor een enorme uitdaging met de reproduceerbaarheid van gegevens, omdat twee gebruikers die dezelfde video analyseren, vaak verschillende resultaten krijgen.

"Zelfrijdende auto's werken omdat ze in realtime veel verschillende objecten om hen heen kunnen zien en volgen, " zei M. Gregory Forest, doctoraat, de Grant Dahlstrom Distinguished Professor in de UNC-afdelingen Wiskunde en Toegepaste Exacte Wetenschappen, en co-senior auteur van het project.

"We vroegen ons af of we een versie van dat soort kunstmatige intelligentie konden maken die duizenden nanodeeltjes tegelijk zou kunnen volgen en dit automatisch zou doen."

Zoals het blijkt, ze konden en gebruikten hun ontdekking om op Chapel Hill gebaseerde AI Tracking Solutions te lanceren, die de nieuwe technologie wil commercialiseren. Het bedrijf heeft een Small Business Technology Transfer Award ontvangen van de National Institutes of Health om de technologie te commercialiseren.

Lai en zijn medewerkers van de UNC-afdeling Wiskunde ontwierpen een kunstmatig neuraal netwerk om aan hun probleem te werken. Neurale netwerken zijn losjes gebaseerd op het menselijk brein, maar leren door een groot aantal voorbeelden te geven. Bijvoorbeeld, als een neuraal netwerk foto's van honden moet herkennen, er worden veel foto's van honden getoond. Het hoeft niet te weten hoe een hond eruitziet; het zal dat opmaken uit de gemeenschappelijke elementen van de foto's. Hoe beter de voorbeelden, hoe beter het neurale netwerk zal zijn.

Het UNC-team leerde de neurale netwerktracker eerst uit een waarheidsset van door de computer gegenereerde gegevens. Vervolgens verfijnden ze de tracker verder met behulp van hoogwaardige gegevens van eerdere experimenten in Lai's lab. Het resultaat was een nieuwe tracker met duizenden goed afgestemde parameters die een zeer diverse reeks video's volledig automatisch kan verwerken, is minstens 10 keer nauwkeuriger dan de systemen die momenteel in gebruik zijn, is zeer schaalbaar, en bezit een perfecte reproduceerbaarheid, zei Lay. Het team documenteerde hun prestatie in de Proceedings of the National Academy of Sciences.

Het nieuwe systeem is net op tijd klaar om de toenemende beschikbaarheid van krachtige microscopen te ondersteunen die in staat zijn om op één dag terabytes aan 2D- en 3D-video met hoge resolutie te verzamelen, zei Jay Newby, doctoraat, hoofdauteur van de studie en een assistent-professor aan de Universiteit van Alberta.

"Het volgen van de beweging van deeltjes op nanometerschaal is van cruciaal belang om te begrijpen hoe ziekteverwekkers mucosale barrières doorbreken en voor het ontwerp van nieuwe medicamenteuze therapieën, " zei Newby. "Onze vooruitgang biedt, eerst en vooral, aanzienlijk verbeterde automatisering. Aanvullend, onze methode verbetert de nauwkeurigheid aanzienlijk in vergelijking met de huidige methoden en reproduceerbaarheid tussen gebruikers en laboratoria."