ИИ может улучшить обнаружение белков
|
|
Малые белки играют критическую роль в регуляции иммунного ответа, воспаления и нейродегенеративных заболеваний. Чтобы лучше обнаруживать и изучать их, ученые из Института науки о свете им. Макса Планка объединили один из самых эффективных методов микроскопии под названием iSCAT с искусственным интеллектом. Биологические молекулы, такие как белки, являются центральными составляющими всех живых систем и определяют все физиологические реакции в условиях здоровья и болезней. В частности, многие небольшие белки играют важную роль в регуляции иммунного ответа, воспаления и нейродегенеративных заболеваний. Таким образом, быстрые и неинвазивные методы обнаружения белков могут помочь нам улучшить диагностику заболеваний и разработку лекарств.
|
|
Традиционные методы обнаружения белка включают маркировку белка флуоресцентной или радиоактивной меткой для их отслеживания и обнаружения. Однако эти методы оказались довольно дорогостоящими и трудоемкими. Еще более проблематичным является тот факт, что эти метки могут изменить функцию изучаемого белка, что сделает любые собранные данные ненадежными. По мере роста научного интереса к функциям белков в последние годы растет и интерес к методам обнаружения без меток. Одним из таких методов, который в настоящее время считается одним из наиболее эффективных и чувствительных безметочных методов обнаружения белков в режиме реального времени, является интерферометрическая микроскопия рассеяния (iSCAT).
|
|
iSCAT основан на чувствительном обнаружении света, рассеянного отдельными белками, посредством интерферометрии. Когда отдельные белки осаждаются из буфера на покровное стекло, крошечная тень белка, отбрасываемая на камеру, дает информацию о его размере и массе. Следовательно, метод также известен как масс-фотометрия. Однако сочетание технических источников шума и спекл-подобных фоновых колебаний ранее ограничивало чувствительность обнаружения iSCAT к белкам размером более 40 кДа.
|
Использование ИИ для расширения границ микроскопии
|
|
Чтобы еще больше повысить чувствительность iSCAT, команда MPL во главе с управляющим директором Вахидом Сандогдаром, состоящая из инженера-электрика Махьяра Дахмарде, специалиста по информатике Хумана Мирзаалиана и физико-химика Хишама Мазала, сотрудничала с Харальдом Кёстлером из Университета Фридриха-Александра в Эрлангене. Nurnberg (FAU) для использования двух методов машинного обучения для обнаружения белков массой всего 10 кДа или меньше.
|
|
В статье, опубликованной в Nature Methods, они показали, как можно использовать алгоритм iForest в сочетании с техникой FastDVDnet для достижения такого результата. Оба являются так называемыми неконтролируемыми методами машинного обучения, что означает, что их не нужно предварительно обучать на размеченном наборе данных. Неконтролируемое машинное обучение очень желательно в микроскопии, поскольку оно позволяет выявлять закономерности и взаимосвязи в больших наборах данных, не зная лежащей в основе модели визуализации. Это особенно важно, когда предел обнаружения находится на границе уровня шума и не хватает помеченных данных для обучения сети.
|
|
FastDVDnet — это передовой метод шумоподавления изображений, который удаляет шум из микроскопических изображений с помощью глубоких нейронных сетей. Он оптимизирован для параллельной обработки, что позволяет ему обрабатывать очень большие наборы данных за относительно короткое время. В этом случае исследователи использовали FastDVDnet для идентификации iSCAT-изображений белков из записанных видеопоследовательностей. Пространственно-временные характеристики, извлеченные FastDVDnet, затем использовались iForest для кластеризации данных iSCAT.
|
|
Алгоритм неконтролируемого машинного обучения Isolation Forest (iForest) обычно используется для задач обнаружения аномалий. Он особенно хорошо подходит для микроскопии, поскольку может обрабатывать многомерные данные с большим количеством функций, что приводит к более точным и исчерпывающим результатам. Это особенно полезно при анализе данных микроскопии, когда становится важным выявление редких или аномальных признаков. Например, обнаружение аномалий iForest можно использовать для обнаружения редких структур в биологической ткани или для идентификации клеток с необычной морфологией. Этот алгоритм может помочь в выявлении редких или необычных признаков, которые традиционные методы анализа вполне могут упустить из виду.
|
|
Профессор Вахид Сандогдар вспоминает о тяжелой работе своей команды, но он также уже с нетерпением ждет следующего вызова: «Мы прошли долгий путь с момента нашего первого отчета об обнаружении малых белков без меток в Nature Communications в 2014 году. полны решимости расширить предел обнаружения как за счет улучшения физических методов измерения, так и за счет разработки более сложных алгоритмов машинного обучения.На самом деле нет фундаментальной причины, по которой мы не могли бы обнаруживать молекулы ниже 1 кДа, приближаясь к весу даже одного молекула липида».
|
|
Источник
|