Maskinindlæring sporer bevægelige celler

Både udviklende babyer og ældre voksne deler en fælles egenskab:de mange celler, der udgør deres kroppe, er altid på farten. Når vi mennesker pendler til arbejde, celler migrerer gennem kroppen for at få deres job udført. Biologer har længe kæmpet for at kvantificere cellers bevægelse og ændrede morfologi gennem tiden, men nu, forskere ved Okinawa Institute of Science and Technology Graduate University (OIST) har udtænkt et elegant værktøj til at gøre netop det.

Ved hjælp af maskinlæring, forskerne designede en software til at analysere mikroskopiske øjebliksbilleder af migrerende celler. De kaldte softwaren Usiigaci, et Ryukyuan -ord, der refererer til at spore konturerne af objekter, da det innovative værktøj registrerer de skiftende konturer af individuelle celler. Usiigaci, beskrevet i et papir, der blev offentliggjort den 13. marts, 2019 i SoftwareX , er nu tilgængelig online for alle at bruge, sammen med en video -tutorial, der forklarer softwaren.

I livmoderen, en babys celler vandrer til præcise steder, så hver arm, ben, og organ vokser på sit rette sted. Vores immunceller kører gennem kroppen for at reparere sår efter skade. Kræftceller metastaserer ved at rejse gennem kroppen, spredning af tumorer til nye væv. For at teste effekten af ​​nye lægemidler, lægemiddeludviklere sporer cellens bevægelse før og efter behandlingen. Usiigaci -softwaren finder applikationer inden for alle disse studieområder og mere.

"Dette er en alt-i-en-løsning for at få os fra råbilleder til kvantitative data om cellemigration, "sagde Hsieh-Fu Tsai, første forfatter til undersøgelsen. Tsai er kandidatstuderende og et Japan Society for Promotion of Science (JSPS) DC1 -stipendiat i OIST Micro/Bio/Nanofluidics Unit, ledet af prof. Amy Shen. "Vores software er mindst 100 gange hurtigere end manuelle metoder, som i øjeblikket er guldstandarden for denne type eksperimenter, fordi computere endnu ikke er kraftfulde nok. "

"Vi håber, at denne software kan blive ganske nyttig for det videnskabelige samfund, "sagde prof. Amy Shen, hovedforsker ved enheden og seniorforfatter af undersøgelsen. "For enhver biologisk undersøgelse eller lægemiddelscreening, der kræver, at du sporer cellulære reaktioner på forskellige stimuli, du kan bruge denne software. "

Machine Learning gør Usiigaci tilpasningsdygtig

For at observere celler under mikroskopet, forskere sætter dem ofte i farvestof eller justerer deres gener for at få dem til at lyse i øjnene. Men farvning af celler ændrer deres bevægelse, hvilket igen skævviger de eksperimentelle resultater. Nogle forskere forsøger at studere cellemigration uden hjælp af fluorescerende mærker, ved hjælp af såkaldte "etiketfrie" metoder, men ender med at løbe ind i et andet problem; Mærkefrie celler blander sig i baggrunden for mikroskopiske billeder, hvilket gør dem utroligt vanskelige at analysere med eksisterende computersoftware.

Usiigaci hopper denne forhindring ved at lade forskere træne softwaren over tid. Biologer fungerer som lærere, giver softwaren nye billeder til at studere, så den kan genkende en celle fra den næste. En hurtig lærer, programmet tilpasser sig hurtigt til nye datasæt og kan let spore bevægelse af enkeltceller, selvom de er proppet sammen som pendlere på metroen i Tokyo.

"De fleste software ... kan ikke se celler i høj densitet fra hinanden; dybest set, de opdeles i en glob, "sagde Tsai." Med vores software, vi kan segmentere korrekt, selvom celler rører ved hinanden. Vi kan faktisk foretage encellede sporing gennem hele eksperimentet. "Usiigaci er i øjeblikket den hurtigste software, der er i stand til at spore bevægelsen af ​​etiketfrie celler ved enkeltcellet opløsning på en personlig bærbar computer.

Software efterligner den menneskelige hjerne

Forskerne designede Usiigaci til at behandle billeder, som var det en forenklet menneskelig hjerne. Strategien gør det muligt for softwaren at spore konturerne af individuelle celler, overvåge deres bevægelse fra øjeblik til øjeblik, og omdanne disse oplysninger til knasbare tal.

Programmet er bygget op omkring en maskinindlæringsinfrastruktur kendt som et "konvolutivt neuralt netværk." groft sagt baseret på, hvordan hjerneceller arbejder sammen om at behandle indgående information fra omverdenen. Når vores øjne fanger lys fra miljøet, de opfordrer neuroner til at analysere disse signaler og finde ud af, hvad vi ser på, og hvor det er i rummet. Neuronerne tegner først scenen i store streger og sender derefter oplysningerne videre til det næste sæt celler, gradvist gengive billedet mere og mere detaljeret. Neurale netværk fungerer på samme måde, bortset fra at hver "neuron" er en samling af kode frem for en fysisk celle.

Dette design giver Usiigaci dets nøjagtighed og tilpasningsevne. Ser frem til, forskerne sigter mod at udvikle neurale netværk til at identificere forskellige komponenter i celler, frem for blot deres konturer. Med disse værktøjer i hånden, forskere kunne let vurdere, om en celle er sund eller syg, ung eller gammel, stammer fra en eller anden genetisk slægt. Ligesom Usiigaci, disse programmer ville have nytte inden for grundlæggende biologi, bioteknologisk forskning og videre.