g u t x .com.tr İpek yolu - Çin'i anlamaya götürürüm

Academia Google "Hücre" Kağıdı: Optik Mikroskop + Derin Öğrenme = Floresan Mikroskop

Google, iletilen ışık mikroskobu ve floresan mikroskobunun iki mikroskop teknolojisinden ilham aldı ve mikroskop hücre görüntülerini ayırmak ve floresanla etiketlemek için derin öğrenmeyi kullanan "Hücre" üzerine bir makale yayınladı.

AI Technology Review Press: Biyoloji ve tıp alanlarında, araştırmacılar genellikle çıplak gözle bulunmayan hücreler hakkında ayrıntılı bilgileri gözlemlemek için mikroskop kullanırlar. İletilen ışık mikroskobu kullanımı (bir taraftan bir görüntü oluşturmak için biyolojik bir numuneyi ışınlamak) nispeten basit olmasına ve canlı kültür numuneleri tarafından iyi tolere edilmesine rağmen, oluşturulan görüntülerin doğru bir şekilde değerlendirilmesi zordur. Floresan mikroskopi teknolojisi, gözlemlenmesi gereken hedefi (çekirdek gibi) boyamak için floresan molekülleri kullanır.Bu yaklaşım, analiz sürecini basitleştirebilir, ancak yine de karmaşık numune hazırlama gerektirir. Otomatik görüntü kalitesi değerlendirme algoritmalarını içeren ve patologlara kanserli dokuları teşhis etmede yardımcı olan makine öğrenimi teknolojileri mikroskopi alanında gittikçe daha yaygın bir şekilde kullanıldıkça, Google bu nedenle, iletilen ışık mikroskobu ve floresan mikroskobunun iki mikroskopi teknolojisini birleştirerek geliştirilip geliştirilemeyeceğini düşünüyor Her ikisinin de eksikliklerini en aza indirecek bir derin öğrenme sistemi.

12 Nisan'da Google, iki mikroskop teknolojisini, iletilen ışık mikroskobunu ve floresan mikroskobunu birleştiren ve mikroskop hücre görüntülerinin renk ayrımı ve floresan etiketlemesini gerçekleştirmek için derin öğrenmeyi kullanan bir araştırma blog yazısı yayınladı. AI Technology Review araştırma içeriğini şu şekilde derledi:

12 Nisan'da yayınlanan "Cell" dergisinde "In Silico Labeling: Predicting Fluorescent Labels in Unlabeled" adlı bir Google makalesi yayınlandı. Bu makale, derin sinir ağlarının hücreleri değiştirmeden floroskopik görüntülerle floresan görüntülerini tahmin edebildiğini gösterdi. Değiştirilmemiş hücrelerin uzun vadeli takibini ve analizini mümkün kılacak, hücre terapisinde invazif hücre incelemesini en aza indirecek ve aynı zamanda analiz için çok sayıda etiket kullanabilecek etiketli ve faydalı görüntüler oluşturulabilir. Bu araştırma için Google, ağ tasarımını, eğitim verilerini ve test verilerini, eğitim sonrası model kontrol noktalarını ve örnek kodu açık kaynaklı hale getirdi.

Araştırma Geçmişi
İletilen ışık mikroskobunun kullanımı kolay olmasına rağmen, ayırt edilmesi zor görüntüler de oluşturabilir. Örneğin, aşağıdaki görüntü, bir faz kontrast mikroskobu ile elde edilen bir görüntüdür; burada pikselin renk derinliği, ışık numuneden geçerken faz değişiminin derecesini gösterir.

Yukarıdaki görüntüler, iletilen bir ışık mikroskobu altında (faz kontrast yöntemi kullanılarak) gözlemlenen pluripotent kök hücrelerden türetilen tüm insan motor nöron kültürleridir. Örnek resim 1: Gösterilen, nöronal hücreler olabilir. Örnek Şekil 2: Gözlem görüntüsündeki kusur, altındaki hücreleri gizler. Örnek resim 3: Sinir süreci görüntüsü. Örnek Şekil 4: Muhtemelen ölü hücreler. Yukarıdaki şeklin ölçek çubuğu: 40m. Yukarıdaki resimler ve şekiller Stone Institute'un Finkbeiner laboratuvarından alınmıştır.

Yukarıdaki görüntüde, örnek Şekil 1'deki hücre popülasyonundaki hücre sayısını veya örnek Şekil 4'teki hücrelerin konumunu ve durumunu ayırt etmek zordur (ipucu: üst orta konumda neredeyse görünmez olan düz bir hücre vardır). Aynı zamanda, Şekil 3'teki nöral dendritler gibi ince yapıları her zaman odak aralığında tutmak zordur.

Farklı z yüksekliklerindeki görüntüleri toplayarak iletilen ışık mikroskobu altında daha fazla bilgi edinebiliriz: (x, y) konumu hakkında bir dizi görüntü ve sistematik olarak değişmek için z'yi (kameradan uzaklığı) kontrol edebiliriz. Bu, hücrenin farklı bölümlerinin odakta veya odak dışında olmasına neden olur ve böylece numune hücrenin 3 boyutlu yapısal bilgilerini sağlar. Ne yazık ki, genellikle sadece deneyimli analistler farklı yükseklikteki bu görüntüleri anlayabilir.Farklı yüksekliklerdeki bu tür görüntülerin nasıl analiz edileceği de otomatik analiz sürecinde büyük bir zorluktur. Aşağıda bir z-yığını örneği verilmiştir.

Aynı hücrenin faz kontrastı z-yığını. Odak değiştiğinde hücre görünümünün nasıl değişeceğine dikkat etmek gerekir. Şimdi, örnek resim 1'in sağ alt köşesindeki bulanık şeklin tek bir eliptik birim olduğunu ve örnek resim 4'teki en fazla hücrenin en üstteki hücreden daha uzun olduğunu gözlemleyebiliriz, bu da programlanmış hücre ölümüne uğradığını gösterebilir.

Yukarıdaki şekildeki floroskopik görüntü ile karşılaştırıldığında, aşağıdaki floresan mikroskobu ile gözlemlenen görüntünün analizi çok daha kolaydır çünkü araştırmacılar, gözlemlemek istedikleri içeriği floresan ile dikkatlice işaretlediler. Örneğin, çoğu insan hücresinin yalnızca bir çekirdeği vardır, bu nedenle çekirdekler işaretlenebilir (aşağıdaki şekilde mavi işaret), bu da görüntüdeki hücre sayısını saymak için basit araçların kullanılmasını mümkün kılar.

Yukarıda, aynı hücrenin bir floresan mikroskobu altındaki görüntüsü var. Çekirdeği vurgulamak için mavi floresan etiketli DNA. Yeşil floresan etiket, dendritlerde sadece bir nöronal alt yapıya sahip bir proteindir. Kırmızı floresan etiket yalnızca aksondaki başka bir nöron altyapısının proteininde bulunur. Renk ayırma floresan etiketi, araştırmacıların numuneyi daha kolay anlamalarına yardımcı olur. Örneğin, Şekil 1'deki yeşil ve kırmızı floresan etiketler, bunun bir sinir kümesi olduğunu doğrulayabilir. Örneğin, Şekil 3'teki kırmızı floresan etiket, dendritler yerine aksonları temsil eder. Şekil 4'teki örneğin sol üst köşesindeki mavi floresan işaretleyici, daha önce bir ışık mikroskobu ile gözlemlenmesi zor olan hücre çekirdeğini ortaya koymaktadır ve soldaki hücrede mavi floresan işaretleyici bulunmadığından DNA'sız hücre döküntüsüdür.

Aynı zamanda, floresan mikroskobunun da bariz kusurları vardır. Her şeyden önce, numune hazırlama ve floresan etiketlemenin kendisi karmaşıklık ve değişkenlik getirir. İkinci olarak, numunede çok sayıda ve farklı floresan markör olduğunda, spektrumların örtüşmesi hangi rengin hangi marköre karşılık geldiğini ayırt etmeyi zorlaştırabilir. Bu nedenle, araştırmacıların kafa karışıklığını önlemek için genellikle aynı numunede aynı anda üç veya dört belirteç kullanmaları kısıtlanır. Üçüncüsü, floresan etiketler örnek hücreler için toksik olabilir ve bazen ölümlerine neden olabilir Bu kusur, hücrelerin uzun süreli gözlemlenmesini gerektiren uzunlamasına çalışmalarda floresan etiketlerin elde edilmesini de zorlaştırır.

Derin öğrenme ile yürüyün ve daha fazla olasılık görün

Bu Google makalesinde yazarlar, derin bir sinir ağının, iletilen ışık z-yığınına göre renk ayrımı floresan görüntüsünü tahmin edebileceğini gösteriyor. Bu amaçla, yansıtılan ışık z-yığınını renkle ayrılmış floresan görüntü ile eşleştiren bir veri kümesi oluşturduk ve yansıtılan ışık z yığınına göre renkle ayrılmış floresan görüntüsünü tahmin etmek için bir sinir ağını eğittik. Aşağıda, bu eğitim sürecine grafiksel bir giriş verilmiştir.

Bu, eğitim sistemine genel bir bakıştır: (A) eğitim örneğinin veri kümesidir: z-yığını iletilen ışık görüntüsünün piksel eşleştirme kümesi ve aynı örnek çerçevedeki floresan etiket görüntüsü. Etiketleme için farklı floresan renkleri kullanılarak üretilen floresan etiket görüntüsü, farklı eğitim örneklerinin değiştirilmesiyle renk değiştirir; aralarındaki benzer satranç tahtası görüntüsünün floresan etiketi yoktur çünkü örnek verilmemiştir. Eğitimsiz derin ağ (B), A verilerini tahmin eder ve ardından eğitim (C) olduktan sonra A verilerini tahmin eder. Verinin A (D) yansıtılan hafif z yığını görüntüsü. (E): A verisinin her yeni görüntü piksel bilgisine (D) göre A verisinin (C) floresan etiketini tahmin etmek için eğitimli derin siniri kullanın.

Bu araştırma sürecinde Google, Inception'ın modüler tasarımından ilham aldı ve üç temel yapı taşından oluşan yeni bir sinir ağı türü geliştirdi: Birincisi, özelliklerin mekansal ölçeğini değiştirmeyen orantılı modül yapılandırmasını sürdürmek. ; İkinci tip, indirgenmiş oran modülü yapılandırması, uzay oranını 2 katına yakınlaştıracak; üçüncü tip, yakınlaştırma oranı, alan oranını yarıya kadar yakınlaştıracaktır. Bu, ağ mimarisi tasarımının daha basit iki problem halinde tasarlanmasını zorlaştırır: yapı bloğunun düzenleme kısmı (makro mimari) ve yapı bloğunun kendisinin tasarım kısmı (mikro mimari). Google, ilk sorunu çözmek için bu makalenin önceki bölümlerinde tartışılan tasarım ilkelerini kullanır ve ikinci sorun, başarmak için Google Hypertune'un otomatik aramasını kullanmaktır.

Araştırma yönteminin makul olmasını sağlamak için Google, modeli doğrulamak için Alphabet Lab ve iki harici ortaklardan alınan verileri kullandı: Gladstone Institute Steve Finkbeiner Lab ve Harvard Rubin Lab. Bu veriler, iletilen üç ışık görüntüleme modunu (parlak alan, faz kontrastı ve diferansiyel girişim kontrastı) ve üç kültür türünü (uyarılmış pluripotent kök hücrelerden insan motor nöronları, sıçan kortikal kültürleri ve insan meme kanseri hücrelerini) kapsar. Google, bu yöntemin çekirdek, hücre türü (sinir gibi) ve hücre durumu (hücre ölümü gibi) dahil olmak üzere birçok flüoresan işaretleyiciyi doğru bir şekilde tahmin edebileceğini buldu. Aşağıdaki şekil, nöron örneğinin iletilen ışığını girdikten sonra model tarafından elde edilen renk ayrımı floresan etiketinin tahmin edilen sonucunu gösterir.

Giriş nöron örneğinin iletilen ışık çıkışı floresan etiket tahmin sonucu Örnek görüntü, yansıtılan ışık ve floresan etiket tarafından görüntülenen aynı hücre görüntüsünü gösterir ve Google modeli, floresan etiketin oluşumunu tahmin eder. Giriş görüntüsünde eserler (işaret 2 görüntüsü) olmasına rağmen, model yine de doğru floresan işaretleyicinin üretildiğini tahmin eder. (Mark 3 resim) Hücreler arasındaki en yakın mesafeye göre bunların akson olduğu anlaşılır. (Mark 4 resmi) üstte bulunması zor hücreleri gösterir ve soldaki nesneyi DNA'sız hücre artıkları olarak doğru şekilde işaretler.

Kendin dene!

Google modeli, eksiksiz veri kümesini, eğitimi, çıkarım kodunu ve bir örneği açık kaynaklı hale getirdi. Google ayrıca, minimum ek veri eğitimi ile yeni ek açıklamalar / etiketler oluşturabileceğini iddia ediyor: Google, ilgili belgelerde ve örnek kodlarda, tek bir görüntüye dayalı flüoresan etiketleri oluşturmayı öğrenebileceğini gösterdi. Bu, aktarım öğrenmesi sayesindedir: Model benzer görevlerde ustalaşmışsa, model yeni görevleri daha hızlı öğrenebilir ve daha az eğitim verisi kullanabilir.

Google, hücreleri değiştirmeden etiketli, yararlı görüntüler oluşturabilmeyi umuyor ve bu da biyolojik ve tıbbi araştırmalar için yeni deney türleri açacak. Bu tekniği kendi araştırmanızda denemek istiyorsanız, "Silico Etiketlemede: Etiketsiz Görüntülerde Floresan Etiketleri Tahmin Etme" başlıklı makaleyi okuyabilir veya model kodunu görüntülemek için github sayfasına gidebilirsiniz!

Google Blog aracılığıyla, AI teknolojisi inceleme raporu.

Bu arada, insanları işe alıyoruz, öğrenelim mi?