Przecław News

Informacje o Polsce. Wybierz tematy, o których chcesz dowiedzieć się więcej w Wiadomościach Przecławia.

Uczenie maszynowe pomaga ujawnić wewnętrzne struktury komórek w nowych szczegółach

Otwórz dowolną książkę wprowadzającą do biologii, a zobaczysz znajomy diagram: przypominającą kropelkę komórkę wypełnioną jaskrawo kolorowymi strukturami – wewnętrzny mechanizm, który sprawia, że ​​komórka tyka.

Biolodzy komórkowi od dziesięcioleci znają podstawowe funkcje większości tych struktur, zwanych organellami. Na przykład mitochondria w kształcie fasoli wytwarzają energię, a cienkie mikrotubule pomagają w przemieszczaniu się ładunku po komórce. Ale pomimo wszystkiego, czego naukowcy dowiedzieli się o tych miniaturowych ekosystemach, wiele pozostaje nieznanych na temat współpracy ich części.

Teraz mikroskopia o dużej mocy – plus duża dawka uczenia maszynowego – pomaga to zmienić. Nowe algorytmy komputerowe mogą automatycznie identyfikować około 30 różnych typów organelli i innych struktur na obrazach o super rozdzielczości całych komórek, jak donosi zespół naukowców z Howard Hughes Medical Center w Janelia Research Institute 6 października 2021 r. w czasopiśmie Nature.

Ręczna analiza szczegółów tych obrazów w całej komórce byłaby prawie niemożliwa, mówi Aubrey Weigel, który kierował zespołem projektu Janelia o nazwie COSEM (segmentacja organelli komórkowych w mikroskopii elektronowej). Tylko jedna komórka danych składa się z dziesiątek tysięcy obrazów. Śledzenie wszystkich organelli komórki za pomocą tego zestawu obrazów może zająć jednej osobie ponad 60 lat. Ale nowe algorytmy umożliwiają mapowanie całej komórki w ciągu godzin, a nie lat.

„Wykorzystując uczenie maszynowe do przetwarzania danych, poczuliśmy, że możemy ponownie rozważyć podstawowy widok komórki” – mówi Weigel.

Oprócz dwóch artykułów towarzyszących w Nature, naukowcy Janelia udostępnili także portal danych OpenOrganelle, w którym każdy może uzyskać dostęp do utworzonych przez siebie zestawów danych i narzędzi.

Zasoby te są nieocenione dla naukowców, którzy badają, w jaki sposób organelle podtrzymują funkcjonowanie komórek, mówi Jennifer Lippincott-Schwartz, starszy lider grupy i tymczasowa przewodnicząca nowego Obszaru Badawczego Fizjologii Komórkowej 4D w Janelii, która już wykorzystuje dane we własnych badaniach. „To, czego tak naprawdę nie wiedzieliśmy, to to, jak różne organelle i struktury są ułożone względem siebie – jak się stykają i komunikują ze sobą oraz ile zajmują miejsca” – mówi.

READ  Epidemia wirusa uderza w Seszele, mimo że większość populacji została zaszczepiona

Po raz pierwszy pojawiają się te ukryte związki.

Szczegółowe dane

Podróż zespołu COSEM rozpoczęła się od danych zebranych przez wysokoenergetyczne mikroskopy elektronowe umieszczone w specjalnej komorze antywibracyjnej w Janelii.

Przez ostatnie 10 lat mikroskopy te produkowały wysokiej rozdzielczości zdjęcia mózgu muchy. Lider grupy Janelia Harald Hess i starszy naukowiec Shan Xu zaprojektowali te lunety, aby rozdrabniać bardzo cienkie fragmenty mózgu muchy za pomocą skoncentrowanej wiązki jonów – podejście zwane obrazowaniem FIB-SEM. Oscyloskopy przechwytują obrazy warstwa po warstwie, a następnie programy komputerowe łączą te obrazy w szczegółową trójwymiarową reprezentację mózgu. Na podstawie tych danych naukowcy Janelia opublikowali najbardziej szczegółową mapę neuronalną mózgu muchy jak dotąd.

W trakcie obrazowania mózgu muchy zespół Hessa i Shawa przyjrzał się także innym próbkom. Z biegiem czasu zebrali szereg danych z wielu typów komórek, w tym komórek ssaków. „Pomyśleliśmy, że to szczegółowe obrazowanie całej komórki może być bardziej interesujące dla biologów komórkowych” – mówi Hess.

Weigel, wówczas stażysta w laboratorium Lippincott-Schwartz, zaczęła wydobywać te dane do własnych badań. „Moc analizy obrazowania FIB-SEM była niesamowita, byliśmy w stanie zobaczyć rzeczy na poziomie, którego nigdy wcześniej nie wyobrażaliśmy sobie, ale w jednej próbce było więcej informacji, niż mogłem analizować w kilku przez całe życie” – mówi Weigel. Przy projektach obliczeniowych, które mogą przyspieszyć, zacząłem organizować współpracę.

„Wszystkie elementy były tutaj, w Janelii”, mówi, a zespół projektu COSEM ukierunkował je na wspólny cel.

ustalanie granic

Larissa Heinrich, absolwentka laboratorium lidera grupy Stefana Salfelda, opracowała narzędzia do uczenia maszynowego, które mogą identyfikować synapsy, połączenia między neuronami, w danych z mikroskopii elektronowej. W przypadku COSEM zaadaptował te algorytmy, aby zamiast tego mapować lub dzielić organelle na komórki.

Algorytmy segmentacji Saalfelda i Heinricha działały, przypisując liczbę do każdego piksela na obrazie. Liczba odzwierciedla odległość piksela od najbliższego punktu przeplotu. Następnie użyłem algorytmu tych liczb, aby zidentyfikować i oznaczyć wszystkie synapsy na obrazie. Saalfeld mówi, że algorytmy COSEM działają w podobny sposób, ale mają więcej wymiarów. Klasyfikują każdy piksel według odległości do 30 różnych rodzajów organelli i struktur. Następnie algorytmy łączą wszystkie te liczby, aby przewidzieć, gdzie będą organelle.

READ  Łazik NASA Perseverance odkrył na Marsie „płetwę rekina” i „szczyp kraba”.

Wykorzystując dane od naukowców, którzy ręcznie wykreślili granice organelli i przypisali liczby do pikseli, algorytm może dowiedzieć się, że pewne kombinacje liczb są nieuzasadnione, mówi Saalfeld. „Na przykład piksel nie może znajdować się jednocześnie w mitochondriach w retikulum endoplazmatycznym”.

Aby odpowiedzieć na pytania, takie jak liczba mitochondriów w komórce lub jej powierzchnia, algorytmy muszą iść dalej, mówi lider grupy Jan Funk. Jego zespół zbudował algorytmy, które obejmują wcześniejszą wiedzę na temat właściwości organelli. Na przykład naukowcy wiedzą, że mikrotubule są długie i cienkie. Na podstawie tych informacji komputer może osądzać, gdzie zaczynają się i kończą mikrotubule. Zespół może obserwować, w jaki sposób ta wcześniejsza wiedza wpływa na wyniki programu komputerowego — czy sprawia, że ​​algorytm jest mniej lub bardziej dokładny — a następnie w razie potrzeby wprowadzać poprawki.

Po dwóch latach pracy zespół COSEM ustalił zestaw algorytmów, które generują dobre wyniki dla dotychczas zebranych danych. Weigel twierdzi, że te odkrycia stanowią ważną podstawę dla przyszłych badań nad Janelią. Nowe przedsięwzięcie prowadzone przez Xu przenosi obrazowanie FIB-SEM na jeszcze wyższy poziom szczegółowości. Inny zespół projektowy, CellMap, wkrótce ulepszy narzędzia i zasoby COSEM, aby stworzyć bardziej rozbudowaną bazę danych adnotacji komórkowych, ze szczegółowymi obrazami wielu typów komórek i tkanek.

Razem te postępy będą wspierać nadchodzącą dziedzinę badań Janelii przez 15 lat, 4D Cell Physiology – wysiłek, który Lippincott-Schwartz prowadzi na zasadzie tymczasowej, aby zrozumieć, w jaki sposób komórki oddziałują ze sobą w każdym z różnych typów tkanek, które tworzą organizm. , mówi White Korf, Dyrektor Zespołów Projektowych w Janelii.

Dzięki nowym zasobom, takim jak te stworzone przez zespół COSEM, Corv mówi: „możemy naprawdę zacząć odpowiadać na te pytania w sposób, w jaki nie byliśmy w stanie w przeszłości”.

READ  Prąd Magellana może być pięć razy bliżej nas, niż nam się wydaje

Referencja: Heinrich L, Bennett D, Ackermann D, et al. Segmentacja organelli całokomórkowych w wolumetrycznej mikroskopii elektronowej. charakter temperamentu. 2021: 1-6. dui: 10.1038 / s41586-021-03977-3

Ten artykuł został ponownie opublikowany z następujących Materiały. Uwaga: artykuł mógł zostać zmodyfikowany pod względem długości i treści. Aby uzyskać więcej informacji, prosimy o kontakt ze wspomnianym źródłem.