Глубокое обучение для визуализации молекул в реальном времени

Исследователи из Национального университета Сингапура (NUS) продемонстрировали, что глубокое обучение позволяет наблюдать динамику одиночных молекул точнее и с меньшим объёмом данных, чем традиционные методы. Они использовали свёрточные нейронные сети (CNNs) для наблюдения за движением одиночных молекул в искусственных системах, клетках и мелких организмах. Результаты опубликованы в Biophysical Journal.

Метод обещает ускорить измерения на уровне одной молекулы в сложных системах и сделать их более доступными для широкого круга исследователей.

Одиночная молекула — это самая базовая наблюдаемая единица в биологических системах. Понимание её поведения и взаимодействий раскрывает принципы работы биологических систем, открывая путь для стратегических вмешательств при заболеваниях.

Один из самых мощных способов наблюдения — флуоресцентная спектроскопия, благодаря сильному сигналу и специфичности, позволяющей наблюдать только меченые молекулы.

Более 50 лет в этой области используется Флуоресцентная корреляционная спектроскопия (FCS), измеряющая подвижность и взаимодействие молекул с высокой точностью. Её недавнее расширение, Imaging FCS, позволяет характеризовать подвижность, концентрацию и взаимодействия во всём изображении.

Несмотря на возможности, Imaging FCS требует больших объёмов данных (около 100 МБ на одно измерение), что приводит к медленной обработке.

Исследовательская группа под руководством профессора Торстена Воланда (кафедры биологических наук и химии) и профессора Адриана Рёллина (кафедра статистики и науки о данных) использовала методы глубокого обучения, чтобы сократить объём данных для измерения (примерно до 5 МБ) при сохранении сопоставимых с традиционными методами результатов.

Техника использует две CNNs — FCSNet и ImFCSNet, разработанные членами команды доктором Вай Хон Тангом и г-ном Шао Рен Симом. CNNs — это тип алгоритмов глубокого обучения для анализа визуальных данных. Они используют несколько слоёв специализированных фильтров для поиска в изображении конкретных признаков, таких как края, текстуры и цвета.

Прогрессивно извлекая и комбинируя эти признаки, они формируют понимание изображения, позволяя распознавать в нём паттерны и объекты.

Методы на основе FCSNet и ImFCSNet точнее традиционных FCS в определении коэффициентов диффузии, но имеют разные компромиссы между требованиями к данным и пространственным разрешением. Используя меньше данных, эти методы могут сократить время оценки на порядки, особенно для больших наборов данных или сложных систем.

Профессор Воланд отметил: «Эти CNN обучаются на смоделированных данных и могут предсказывать коэффициенты диффузии из гораздо меньших наборов данных по сравнению с традиционными методами FCS. Они также не зависят от модели и могут использоваться с любой микроскопической установкой».

Доктор Танг добавил: «CNN революционизируют анализ данных, предлагая ускоренные и упрощённые процессы оценки. Хотя важно проверять их производительность, CNN обладают потенциалом сделать мощные методы доступными для широкого исследовательского сообщества».

Команда надеется, что их метод откроет новые возможности для ускорения исследований на уровне одной молекулы и сделает технологию доступной для более широкого круга пользователей. CNN не требуют экспертного ввода и готовы демократизировать FCS.