Maskinlæringsværktøj forbedrer sporing af små bevægelige partikler

Forskere har udviklet et automatiseret værktøj til at kortlægge bevægelse af partikler inde i celler, der kan fremskynde forskning på mange områder, en ny undersøgelse i eLife -rapporter.

Bevægelser af små molekyler, proteiner og cellulære komponenter i hele kroppen spiller en vigtig rolle for sundhed og sygdom. For eksempel, de bidrager til hjernens udvikling og udviklingen af ​​nogle sygdomme. Det nye værktøj, bygget med banebrydende maskinlæringsteknologi, vil gøre sporing af disse bevægelser hurtigere, lettere og mindre tilbøjelige til partiskhed.

I øjeblikket, forskere kan bruge billeder kaldet kymografer, som repræsenterer partiklernes bevægelse i tid og rum, til deres analyser af partikelbevægelser. Disse kymografer er ekstraheret fra time-lapse-videoer af partikelbevægelser optaget ved hjælp af mikroskoper. Analysen skal udføres manuelt, som er både langsom og sårbar over for forskerens ubevidste skævheder.

"Vi brugte maskinlæring til at løse dette mangeårige problem ved at automatisere sporing af kymografer, "siger hovedforfatter Maximilian Jakobs, en ph.d. studerende på Institut for Fysiologi, Udvikling og neurovidenskab ved University of Cambridge, Storbritannien.

Teamet udviklede softwaren, kaldet 'KymoButler', at automatisere processen. Softwaren anvender deep learning -teknologi, som forsøger at efterligne netværkene i hjernen for at tillade software at lære og blive mere dygtig til en opgave over tid og flere forsøg. De testede derefter KymoButler ved hjælp af både kunstige og reelle data fra forskere, der studerede bevægelsen af ​​en række forskellige partikler.

"Vi demonstrerer, at KymoButler udfører såvel som ekspertmanuel dataanalyse på kymografer med komplekse partikelbaner fra en række biologiske systemer, "Jakobs forklarer. Softwaren kunne også gennemføre analyser på under et minut, der ville tage en ekspert 1,5 time.

KymoButler er tilgængelig for andre forskere at downloade og bruge på kymobutler.deepmirror.ai. Seniorforfatter Kristian Franze, Læser i neuronal mekanik ved University of Cambridge, forventer, at softwaren fortsat vil blive forbedret, da den analyserer flere typer data. Forskere, der bruger værktøjet, får mulighed for anonymt at uploade deres kymografer for at hjælpe teamet med at fortsætte med at udvikle softwaren.

"Vi håber, at vores værktøj vil vise sig nyttigt for andre, der er involveret i analyse af små partikelbevægelser, uanset hvilket felt de måtte arbejde inden for, "siger Franze, hvis laboratorium er dedikeret til at forstå, hvordan fysiske interaktioner mellem celler og deres miljø former hjernens udvikling og regenerering.