Team bygger bedre partikelsporingssoftware ved hjælp af kunstig intelligens

Forskere ved University of North Carolina i Chapel Hill har skabt en ny metode til partikelsporing baseret på maskinlæring, der er langt mere nøjagtig og giver bedre automatisering end de teknikker, der er i brug i øjeblikket.

Sporing af enkeltpartikler involverer sporing af bevægelse af individuelle partikler, såsom vira, celler og lægemiddelfyldte nanopartikler, i væsker og biologiske prøver. Teknikken er meget brugt i både fysisk og biovidenskab. Holdet på UNC-Chapel Hill, der udviklede den nye sporingsmetode, bruger partikelsporing til at udvikle nye måder at behandle og forebygge infektionssygdomme på. De undersøger molekylære interaktioner mellem antistoffer og biopolymerer og karakteriserer og designer lægemiddelbærere i nanostørrelse. Deres arbejde er udgivet i Procedurer fra National Academy of Scientists .

"For at udlede mening fra videoer, du skal konvertere videoerne til kvantitative data, "sagde Sam Lai, Ph.D., en lektor i UNC Eshelman School of Pharmacy og en af ​​skaberne af den nye tracker. "Med den nuværende software, forskere skal omhyggeligt overvåge videokonverteringen for at sikre nøjagtigheden. Dette tager ofte mange uger til måneder, og begrænser i høj grad både gennemløbet og nøjagtigheden.

"Vi blev trætte af flaskehalsen."

Roden til problemet kan spores til det lille antal parametre, såsom partikelstørrelse, lysstyrke og form, bruges af den aktuelle software til at identificere hele partikelområdet i enhver video. Ting bliver savnet, fordi de ikke helt passer til parametrene, og parametrene varierer efterhånden som forskellige operatører indstiller dem, Alison Schäfer, en ph.d. studerende i Lai laboratoriet, sagde. Dette skaber en enorm udfordring med datareproducerbarhed, da to brugere, der analyserer den samme video, ofte opnår forskellige resultater.

"Selvkørende biler fungerer, fordi de kan se og holde styr på mange forskellige objekter omkring dem i realtid, " sagde M. Gregory Forest, Ph.D., Grant Dahlstrom Distinguished Professor i UNC Departments of Mathematics and Applied Physical Sciences, og co-senior forfatter på projektet.

"Vi spekulerede på, om vi kunne skabe en version af den slags kunstig intelligens, der kunne spore tusindvis af nanoskala partikler på én gang og gøre det automatisk."

Det viser sig, de kunne og brugte deres opdagelse til at lancere Chapel Hill-baserede AI Tracking Solutions, som søger at kommercialisere den nye teknologi. Virksomheden har modtaget en Small Business Technology Transfer-pris fra National Institutes of Health for at kommercialisere teknologien.

Lai og hans samarbejdspartnere i UNC Department of Mathematics designede et kunstigt neuralt netværk for at gå på arbejde med deres problem. Neurale netværk er løst baseret på den menneskelige hjerne, men lærer ved at blive fodret med et stort antal eksempler. For eksempel, hvis et neuralt netværk skal genkende billeder af hunde, det er vist masser af billeder af hunde. Den behøver ikke at vide, hvordan en hund ser ud; det vil regne det ud af de fælles elementer i fotografierne. Jo bedre eksempler, jo bedre bliver det neurale netværk.

UNC-holdet lærte først den neurale netværkssporing fra et sandhedssæt af computergenererede data. De forfinede derefter trackeren yderligere ved hjælp af data af høj kvalitet fra tidligere eksperimenter udført i Lais laboratorium. Resultatet var en ny tracker med tusindvis af velafstemte parametre, der kan behandle et meget varieret udvalg af videoer helt automatisk, er mindst 10 gange mere præcis end systemer, der i øjeblikket er i brug, er meget skalerbar, og har perfekt reproducerbarhed, sagde Lai. Holdet dokumenterede deres præstation i Proceedings of the National Academy of Sciences.

Det nye system er klar lige i tide til at understøtte den stigende tilgængelighed af kraftfulde mikroskoper, der er i stand til at indsamle terabyte af højopløsnings 2-D og 3-D video på en enkelt dag, sagde Jay Newby, Ph.D., hovedforfatter af undersøgelsen og en adjunkt ved University of Alberta.

"Sporing af bevægelsen af ​​nanometer-skala partikler er afgørende for at forstå, hvordan patogener bryder slimhindebarrierer og for design af nye lægemiddelterapier, " sagde Newby. "Vores fremskridt giver, først og fremmest, væsentligt forbedret automatisering. Derudover vores metode forbedrer nøjagtigheden i forhold til nuværende metoder og reproducerbarhed på tværs af brugere og laboratorier. "