Veel problemen in fysische en biologische wetenschappen en engineering zijn afhankelijk van ons vermogen om objecten of processen op nanoschaal te monitoren, en fluorescentiemicroscopie wordt al tientallen jaren gebruikt als een van onze meest bruikbare informatiebronnen, leidend tot verschillende ontdekkingen over de innerlijke werking van processen op nanoschaal, bijvoorbeeld op subcellulair niveau. Het afbeelden van dergelijke objecten op nanoschaal vereist vaak vrij dure en delicate instrumenten, ook bekend als nanoscopie-instrumenten, die alleen toegankelijk zijn voor professionals in goed uitgeruste laboratoria.

De toegang tot fluorescentiebeeldvorming met hoge resolutie democratiseren en objecten op nanoschaal kunnen oplossen en bewaken, UCLA-onderzoekers hebben een nieuwe methode ontwikkeld, gebaseerd op kunstmatige intelligentie, om fluorescentiebeelden die zijn verkregen met een lagere resolutie en eenvoudigere microscoop digitaal om te zetten in beelden die overeenkomen met de resolutie en kwaliteit van hogere resolutie en geavanceerde microscopen die zijn gebouwd voor beeldvorming op nanoschaal. Om deze transformatie te realiseren, een kunstmatig neuraal netwerk wordt getraind door duizenden beeldparen (lagere resolutie vs. hogere resolutie beelden van dezelfde samples), het diepe neurale netwerk de cross-modaliteitsbeeldtransformatie leren van een veel eenvoudigere en goedkopere microscoop naar een hoogwaardige nanoscoop. Zodra de opleiding is afgerond, het diepe neurale netwerk kan blindelings een beeld opnemen van de lagere resolutie en een eenvoudigere microscoop om de kenmerken van de nanoscopische objecten in het monster digitaal op te lossen, overeenkomend met de prestaties van een veel geavanceerder nanoscopie-instrument.

Dit werk is gepubliceerd in Natuurmethoden , een tijdschrift van de Springer Nature Publishing Group. Dit onderzoek werd geleid door Dr. Aydogan Ozcan, een associate director van het UCLA California NanoSystems Institute (CNSI) en de Chancellor's Professor of Electrical and Computer Engineering aan de UCLA Henry Samueli School of Engineering and Applied Science. Hongda Wang, een UCLA-afgestudeerde student, en Yair Rivenson, een UCLA postdoctoraal onderzoeker, zijn de co-eerste auteurs van de studie.

Dit nanoscopische beeldtransformatiekader bouwt bruggen tussen verschillende beeldvormende modaliteiten en instrumenten, en het succes ervan werd aangetoond door het superoplossen van verschillende biologische cellen en weefselmonsters, overeenkomend met de beeldresolutie van veel geavanceerdere fluorescentie-nanoscopie-instrumenten met behulp van veel eenvoudiger en toegankelijker microscopen. Verder, deze techniek maakt het mogelijk om dynamische gebeurtenissen op nanoschaal af te beelden over een veel groter monstervolume, terwijl ook de toxische effecten van verlichtingsfotonen op levende organismen en cellen worden verminderd.

"Ons werk toont een belangrijke stap voorwaarts in computationele microscopie, die zou kunnen helpen om beeldvorming met superresolutie te democratiseren door nieuwe biologische waarnemingen op nanoschaal mogelijk te maken buiten goed uitgeruste laboratoria en instellingen, ' zei Ozcan.

Andere leden van het onderzoeksteam waren Yiyin Jin, Zhensong Wei, Ronald Gao, Harun Gunaydin, leden van het Ozcan Research Lab aan de UCLA, evenals Dr. Laurent A. Bentolila, de directeur van de CNSI Advanced Microscopy Facility aan de UCLA en Dr. Comert Kural, een assistent-professor aan de afdeling natuurkunde van de Ohio State University.

Ozcan lab wordt ondersteund door NSF, HHMI en Koc Group. Beeldvormingsexperimenten werden uitgevoerd in het Advanced Light Microscopy/Spectrcopy Laboratory van CNSI en in het Advanced Imaging Center op de Janelia Research Campus.