Eric Vitriol

Dr. Eric A. Vitriol. Kredi: Michael Holahan, Augusta Üniversitesi

Yeni bir “görüntü analizi boru hattı”, bilim adamlarına hastalık veya yaralanmanın vücudu bireysel hücreye kadar nasıl değiştirdiği konusunda hızlı ve yeni bir fikir veriyor.

Mikroskopi tarafından sağlanan ayrıntılı görüntülemeyi alan, onu, topoloji adı verilen ve işlerin nasıl düzenlendiğine dair içgörü sağlayan sıcak bir matematik alanıyla eşleştiren TDAExplore denir ve yapay zekanın analitik gücü, örneğin, yeni bir bakış açısı vermek için. Georgia Tıp Fakültesi’nden hücre biyoloğu ve sinirbilimci Dr. Eric Vitriol, ALS’den kaynaklanan bir hücrede ve hücrenin neresinde meydana geldiklerini söylüyor.

Mikroskobik görüntülerden, X-ışınları ve PET taramaları gibi diğer standart görüntüleme tekniklerine de uygulanabilecek nicel – ölçülebilir ve sonuç olarak nesnel – bilgi üretmek için kişisel bir bilgisayar kullanmak için “erişilebilir, güçlü bir seçenek”. günlük desenler.

Vitriol, “Bunun, görüntü kümelerinin birbirinden nasıl farklı olduğu hakkında bize yeni bilgiler vermesi için bilgisayarları kullanma konusunda heyecan verici bir ilerleme olduğunu düşünüyoruz” diyor. “Çok küçük oldukları için veya nereye bakmam gerektiği konusunda bir tür önyargım olduğu için göremeyebileceklerim de dahil olmak üzere, gerçekleşen gerçek biyolojik değişiklikler nelerdir?”

Sinirbilimci, en azından veri analizi bölümünde, bilgisayarların beynimizi sadece nesnelliklerinde değil, değerlendirebilecekleri veri miktarında da yendiğini söylüyor. Bilgisayarların dijital görüntülerden bilgi çekmesini sağlayan bilgisayarla görme, onlarca yıldır var olan bir tür makine öğrenimidir, bu nedenle o ve meslektaşı ve aynı zamanda bir matematikçi olan yazar arkadaşı Dr. Peter Bubenik. Florida üniversitesi ve topolojik veri analizi konusunda bir uzman, mikroskopinin detayını topoloji bilimi ve yapay zekanın analitik gücü ile ortak etmeye karar verdi. Vitriol, topoloji ve Bubenik’in anahtar olduğunu söylüyor.

Topoloji, görüntü analizi için “mükemmel” çünkü görüntüler, desenlerden, uzayda düzenlenmiş nesnelerden oluşuyor ve topolojik veri analizi (TDAExplore’daki TDA), bilgisayarın arazinin yerleşimini tanımasına da yardımcı oluyor, bu durumda aktin — hücrelere şekil ve hareket kazandırmaya yardımcı olan liflerin veya filamentlerin bir proteini ve temel yapı taşı – hareket etti veya yoğunluğu değiştirdi. Bilgisayarı nasıl tanıyacağını ve sınıflandıracağını eğitmek için kelimenin tam anlamıyla yüzlerce görüntü almak yerine, 20 ila 25 görüntü üzerinde öğrenebileceği verimli bir sistemdir.

Sihrin bir parçası, bilgisayarın artık görüntüleri yama olarak adlandırdıkları parçalar halinde öğreniyor olması. Mikroskopi görüntülerini bu parçalara ayırmak, daha doğru sınıflandırmayı, bilgisayarın “normal”in neye benzediği konusunda daha az eğitim almasını ve nihayetinde anlamlı verilerin çıkarılmasını sağlıyor.

İnsan gözünün göremediği şeyleri yakından incelemeyi sağlayan mikroskopi, kuşkusuz birçok bilim insanının temel dayanağı olan güzel, ayrıntılı görüntüler ve dinamik videolar üretiyor. “Gelişmiş mikroskopi olanakları olmadan tıp fakültesine sahip olamazsınız” diyor.

Ancak öncelikle neyin normal olduğunu ve hastalık durumlarında neler olduğunu anlamak için Vitriol, filament sayısı gibi görüntülerin ayrıntılı analizine ihtiyaç duyar; filamentlerin hücrelerde nerede olduğu – kenara yakın, merkez, her tarafa dağılmış – ve bazı hücre bölgelerinin daha fazla olup olmadığı.

Bu durumda ortaya çıkan kalıplar, ona aktin’in nerede olduğunu ve nasıl organize edildiğini – işlevinde önemli bir faktör – ve hastalık veya hasarla nerede, nasıl ve değişip değişmediğini söyler.

Örneğin, bir merkezi sinir sistemi hücresinin kenarlarındaki aktin kümelenmesine baktığında, topluluk ona hücrenin yayıldığını, hareket ettiğini ve öncü kenarı haline gelen projeksiyonlar gönderdiğini söyler. Bu durumda, bir tabakta esasen uykuda olan hücre, bacaklarını yayabilir ve uzatabilir.

Bilim adamlarının görüntüleri doğrudan analiz etmeleri ve gördüklerini hesaplamalarıyla ilgili sorunlardan bazıları, bunun zaman alıcı olması ve bilim adamlarının bile önyargıları olduğu gerçeğini içeriyor.

Bir örnek olarak ve özellikle bu kadar çok eylem olurken, gözleri bir hücrenin ön ucunda hareket eden, Vitriol örneğinde, tanıdık olana kayabilir. Hücrenin çevresindeki aktin kümelenmesini açıkça gösteren karanlık çerçeveye tekrar baktığında, bunun ana hareket noktası olduğunu ima edebilir.

“Neyin farklı olduğuna karar verdiğimde, bunun en farklı şey olduğuna veya sadece görmek istediğim şeyin bu olduğuna nasıl bilebilirim?” diyor. “Bilgisayar nesnelliğini getirmek istiyoruz ve görüntülerin analizine daha yüksek derecede örüntü tanıma getirmek istiyoruz.”

AI, resim bulanık olsa bile, her seferinde bir köpeği veya kediyi tanımak gibi şeyleri “sınıflandırabildiği” bilinmektedir, ilk önce bir köpeği gördüğünde bir köpeği tanıyana kadar her bir hayvanla ilişkili milyonlarca değişkeni öğrenerek, ama neden bir köpek olduğunu bildiremez. Eğitim amacıyla çok fazla görüntü gerektiren ve hala çok fazla görüntü istatistiği sağlamayan bu yaklaşım, amaçları için gerçekten çalışmıyor, bu yüzden o ve meslektaşları, topolojik veri analizi ile sınırlı yeni bir sınıflandırıcı yaptılar.

Sonuç olarak, TDAExplore’da kullanılan benzersiz bağlantının, bilim adamlarına, bozulmuş hücre görüntüsünün eğitimden veya normal görüntüden nerede ve ne kadar farklı olduğunu, yeni fikirler ve araştırma yönergeleri sağlayan bilgilerden ne kadar farklı olduğunu söylemesi, diyor.

Aktin kümelenmesini gösteren hücre görüntüsüne geri dönersek, “ön uç” pertürbasyonlarla açıkça farklıyken, TDAExplore en büyük değişikliklerden bazılarının aslında hücrenin içinde olduğunu gösterdi.

Vitriol, “İşimin çoğu, görülmesi zor görüntülerdeki kalıpları bulmaya çalışmak,” diyor. Sonuç olarak, filamentlerin yapı iskelesini sağladığı ve karşılığında nöronlar için destek sağlayan aktin hücre iskeletinin nasıl çalıştığını ve ALS gibi durumlarda neyin yanlış gittiğini bulmak yer alıyor.

Araştırmacılar, görüntüleri eğitmek ve sınıflandırmak için yüzlerce görüntü gerektiren bu makine öğrenimi modellerinden bazılarının, görüntünün hangi bölümünün sınıflandırmaya katkıda bulunduğunu açıklamadığını yazıyor. Analiz edilmesi gereken ve 20 milyona yakın değişken içerebilen bu kadar büyük miktarda veri, süper bir bilgisayar gerektirir. Bunun yerine yeni sistem, nispeten az sayıda yüksek çözünürlüklü görüntüye ihtiyaç duyar ve seçilen sınıflandırmaya yol açan “yamaları” karakterize eder. Bilim insanının standart kişisel bilgisayarı birkaç dakika içinde yeni görüntü analizi hattını tamamlayabilir.

TDAExplore’da kullanılan benzersiz yaklaşım, bilim adamlarına, bozulan görüntünün eğitim görüntüsünden nerede ve ne kadar farklı olduğunu, yeni fikirler ve araştırma yönergeleri sağlayan bilgileri nesnel olarak söyler.

Görüntülerden daha fazla ve daha iyi bilgi alma yeteneği, nihayetinde, bir hastalığın gerçekleri olarak kabul edilenleri ve nasıl tedavi edildiğini eninde sonunda değiştiren Vitriol gibi temel bilim adamları tarafından oluşturulan bilgilerin daha doğru olduğu anlamına gelir. Bu, yeni sistemin hücre içinde işaret ettiği ve daha önce gözden kaçan değişiklikleri tanıyabilmeyi içerebilir.

Şu anda bilim adamları, daha iyi kontrast sağlamak için lekeler uyguluyorlar ve ardından, aktin’in daha büyük bir yapı halinde nasıl organize edildiği gibi, görüntülerde gördükleri hakkında bilgi almak için yazılım kullanıyorlar, diyor.

“Görüntülerden ilgili verileri almanın yeni bir yolunu bulmamız gerekiyordu ve bu makalenin konusu da bu.”

Referans: Parker Edwards, Kristen Skruber, Nikola Milicevic, James B. Heidings, Tracy-Ann Read, Peter Bubenik ve Eric A. Vitriol, “TDAExplore: Topoloji tabanlı makine öğrenimi yoluyla floresan mikroskopi görüntülerinin kantitatif analizi”, 12 Ekim 2021, desenler.
DOI: 10.1016 / j.patter.2021.100367

Yayınlanan çalışma, diğer bilim adamlarının TDAExplore kullanması için tüm parçaları sağlıyor.

Araştırma Ulusal Sağlık Enstitüleri tarafından desteklendi.





#Yeni #Görüntü #Analizi #Hattı #Hücrelerin #Hastalık #Tarafından #Nasıl #Değiştirildiğine #İlişkin #Hızlı #Bilgi #Sağlıyor