ИИ помогает ученым расшифровывать клеточные структуры

Прочитано: 89 раз(а)


Для нетренированного глаза криоэлектронная томограмма больше похожа на следы на песке, чем на детальный снимок клетки.

Специалисты, обученные мощным методам микроскопии, таким как криоэлектронная микроскопия и томография, могут использовать эти изображения для изучения расположения и формы клеточных органелл и структур крупных молекулярных комплексов. В результате исследователи могут получить представление о внутренней работе клетки как в здоровом, так и в больном состоянии.

ИИ помогает ученым расшифровывать клеточные структуры

Однако у этого подхода есть существенный недостаток. Хотя обученные специалисты могут очень хорошо распознавать и маркировать различные клеточные структуры на томограммах, этот процесс занимает очень много времени.

Вот почему группы Zaugg, Mahamid, Kreshuk и Diz-Muñoz из EMBL Heidelberg создали основанный на искусственном интеллекте метод быстрого и эффективного аннотирования клеточных структур на криоэлектронных томограммах. Они описали этот инструмент в недавней публикации в журнале Nature Methods и сделали его открытым для доступа и использования научным сообществом.

DeePiCt (Deep Picker in Context), фреймворк глубокого обучения, может распознавать и маркировать органеллы и молекулярные комплексы значительно быстрее, чем человеческий глаз, и без предубеждений человека, создавая богато детализированные клеточные изображения (например, изображение в круге справа на картинке). изображение выше).

«DeePiCt — и, в частности, обученные модели, которые мы предоставляем, — позволяют каждому обнаружить интересующие его частицы и структуры среди шумового фона собственных томограмм. Для меня это один из лучших результатов нашей работы», — сказала Джудит Заугг. «Без этого вам нужно было обратиться за помощью к обученному специалисту с аннотациями, и это могло занять очень много времени. Я считаю DeePiCt важным шагом на пути к обеспечению высокой пропускной способности в клеточной структурной биологии».

Платформа DeePiCt позволяет ученым легко классифицировать клеточные структуры на томограммах в зависимости от того, где в клетке они расположены. Затем это можно использовать, например, для сравнения класса рибосом, расположенных в митохондриях, с рибосомами, расположенными в эндоплазматическом ретикулуме. Такой анализ уже выявил неизвестные структурные детали того, как рибосомы связываются с этими различными мембранами.

Программное обеспечение сочетает в себе два типа сверточных нейронных сетей. Это алгоритмы глубокого обучения, которые могут находить закономерности и различать объекты на изображении. Первый был обучен сегментировать клеточные структуры, такие как органеллы и цитоплазма, и работать с двумерными срезами. Второй обучен сегментировать интересующую частицу (например, рибосому) и работает в трехмерном пространстве томограммы.

Важно отметить, что как только сеть была обучена распознавать конкретную частицу в наборе томограмм, она могла затем идентифицировать те же самые частицы на новых томограммах, которые она никогда раньше не видела, включая клетки, принадлежащие другому виду. Это означает, что исследователи, использующие криоэлектронную томографию, могут использовать DeePiCt на самых разных типах образцов.

На показанном изображении сеть была обучена обнаруживать четыре различные структуры (актин, рибосомы, микротрубочки и мембраны) в клетках трех разных организмов, чтобы предсказывать эти структуры на невидимой томограмме человеческой клетки.

«Теперь мы показали, что это работает, и мы рады сделать программное обеспечение доступным для исследовательского сообщества », — сказала Джулия Махамид. «Мы надеемся, что такие подходы глубокого обучения станут золотым стандартом в криоэлектронной томографии. И мы предоставляем набор из 20 хорошо аннотированных томограмм в архивах EMBL-EBI , которые, как мы ожидаем, будут запускать и поддерживать дальнейшие методы развития в научном сообществе».

ИИ помогает ученым расшифровывать клеточные структуры



Новости партнеров