27 ноября 2021

Взгляд на то как клетки меняются в результате болезни

Новый «конвейер анализа изображений» дает ученым возможность быстро понять, как болезнь или травма изменили тело, вплоть до отдельной клетки.

Он называется TDAExplore, который берет подробные изображения, полученные с помощью микроскопии, объединяет их с горячей областью математики, называемой топологией, которая дает представление о том, как устроены вещи, и аналитическую мощь искусственного интеллекта, чтобы дать, например, новый взгляд на изменения в клетке, вызванные БАС, и где в клетке они происходят, говорит доктор Эрик Витриол, клеточный биолог и нейробиолог из Медицинского колледжа Джорджии.

Взгляд на то как клетки меняются в результате болезни

Доктор Эрик А. Витриол. Предоставлено: Майкл Холахан, Университет Огасты.

Это «доступный и мощный вариант» использования персонального компьютера для генерации количественной — измеримой и, следовательно, объективной — информации из микроскопических изображений, которая, вероятно, может быть применена также к другим стандартным методам визуализации, таким как рентгеновские лучи и сканирование ПЭТ, сообщают они в журнал Узоры.

«Мы считаем, что это захватывающий прогресс в использовании компьютеров, чтобы дать нам новую информацию о том, чем наборы изображений отличаются друг от друга», — говорит Витриол. «Каковы реальные биологические изменения, которые происходят, в том числе те, которые я, возможно, не смогу увидеть, потому что они слишком незначительные или потому что у меня есть какое-то предубеждение относительно того, куда я должен смотреть»?

По крайней мере, в отделе анализа данных компьютеры бьют наш мозг, говорит нейробиолог, не только по их объективности, но и по количеству данных, которые они могут оценить.

Компьютерное зрение

Компьютерное зрение, которое позволяет компьютерам извлекать информацию из цифровых изображений, представляет собой тип машинного обучения, который существует уже несколько десятилетий, поэтому он и его коллега и коллега-корреспондент доктор Питер Бубеник, математик из Университета Флориды и эксперт. в области анализа топологических данных решил совместить детализацию микроскопии с наукой о топологии и аналитической мощью ИИ. По словам Витриола, топология и Бубеник были ключевыми.

По его словам, топология «идеальна» для анализа изображений, потому что изображения состоят из узоров, объектов, расположенных в пространстве, а анализ топологических данных (TDA в TDAExplore) помогает компьютеру также распознавать местность, в данном случае где актин — белок и важный строительный блок волокон или нитей, которые помогают придавать клеткам форму и движение — переместился или изменил плотность. Это эффективная система, которая вместо того, чтобы брать буквально сотни изображений, чтобы научить компьютер распознавать и классифицировать их, он может обучаться на 20-25 изображениях.

Как работает компьютерное зрение

Часть волшебства заключается в том, что компьютер теперь изучает изображения по частям, которые они называют заплатами. Разделение микроскопических изображений на эти части дает возможность более точной классификации, меньше обучения компьютера тому, как «нормально» выглядит, и, в конечном счете, извлечения значимых данных, пишут они.

Несомненно, микроскопия, которая позволяет внимательно изучать вещи, невидимые человеческому глазу, дает красивые, детализированные изображения и динамическое видео, которые являются основой для многих ученых. «Вы не можете иметь медицинский колледж без сложной микроскопии», — говорит он.

Но чтобы сначала понять, что является нормальным, а что происходит при болезненных состояниях, Vitriol необходим детальный анализ изображений, таких как количество нитей; где филаменты находятся в ячейках — близко к краю, в центре, разбросаны повсюду — и есть ли в некоторых областях ячейки их больше.

Взгляд на то как клетки меняются в результате болезни

Образцы, которые возникают в этом случае, говорят ему, где находится актин и как он организован — главный фактор его функции — и где, как и изменился ли он с болезнью или повреждением.

Когда он смотрит на скопление актина по краям клетки центральной нервной системы, например, совокупность говорит ему, что клетка распространяется, перемещается и испускает проекции, которые становятся ее передним краем. В этом случае клетка, которая по существу бездействовала в посуде, может раздвинуться и вытянуть ноги.

Некоторая проблема с учеными, непосредственно анализирующими изображения и вычисляющими то, что они видят, заключается в том, что на это уходит много времени, а в реальности даже у ученых есть предубеждения.

Например, особенно при таком большом количестве действий, их взгляд может упасть на знакомый, в случае Vitriol, актин на переднем крае клетки. Когда он снова смотрит на темную рамку вокруг периферии клетки, ясно указывающую на скопление актина, это может означать, что это основная точка действия.

«Откуда мне это знать, когда я решаю, что изменилось, это что-то совсем другое или это именно то, что я хотел увидеть?» он говорит. «Мы хотим сделать это с помощью компьютерной объективности, и мы хотим привнести более высокую степень распознавания образов в анализ изображений».

Известно, что ИИ способен «классифицировать» такие вещи, как распознавание собаки или кошки каждый раз, даже если изображение нечеткое, сначала изучая многие миллионы переменных, связанных с каждым животным, пока он не узнает собаку, когда она ее увидит, но он не может сообщить, почему это собака. Этот подход, который требует так много изображений для целей обучения и по-прежнему не обеспечивает большого количества статистических данных по изображениям, на самом деле не работает для его целей, поэтому он и его коллеги создали новый классификатор, который был ограничен анализом топологических данных.

Суть в том, что уникальная связь, используемая в TDAExplore, эффективно и объективно сообщает ученым, где и насколько изображение возмущенной клетки отличается от информации обучающего или нормального изображения, что также дает новые идеи и направления исследований, говорит он.

  • Возвращаясь к изображению клетки, которое показывает кластеризацию актина по ее периметру, в то время как «передний край» явно отличался от возмущений, TDAExplore показал, что некоторые из самых больших изменений на самом деле произошли внутри клетки.
  • «Большая часть моей работы состоит в том, чтобы найти закономерности на изображениях, которые трудно увидеть, — говорит Витриол, — потому что мне нужно идентифицировать эти закономерности, чтобы я мог найти способ получить числа из этих изображений».
  • Его основная цель — выяснить, как работает актиновый цитоскелет, для которого филаменты служат каркасом и который, в свою очередь, обеспечивает поддержку нейронов, и что идет не так в таких условиях, как БАС.

Некоторые из тех моделей машинного обучения, которые требуют сотни изображений для обучения и классификации изображений, не описывают, какая часть изображения способствовала классификации, пишут исследователи. Такие огромные объемы данных, которые требуют анализа и могут включать около 20 миллионов переменных, требуют суперкомпьютера. Вместо этого новая система требует сравнительно небольшого количества изображений с высоким разрешением и характеризует «пятна», которые привели к выбранной классификации. За несколько минут стандартный персональный компьютер ученого может завершить новый конвейер анализа изображений.

По его словам, уникальный подход, используемый в TDAExplore, объективно сообщает ученым, где и насколько искаженное изображение отличается от тренировочного, а также предоставляет информацию о новых идеях и направлениях исследований.

Возможность получать больше и более качественной информации из изображений в конечном итоге означает, что информация, созданная фундаментальными учеными, такими как Vitriol, которая часто в конечном итоге меняет то, что считается фактами болезни и как ее лечить, является более точной.

Это может включать способность распознавать изменения, подобные тем, которые новая система указала внутри ячейки, которые ранее были упущены из виду.

По его словам, в настоящее время ученые применяют красители для лучшего контраста, а затем используют программное обеспечение для извлечения информации о том, что они видят на изображениях, например, о том, как актин организован в более крупную структуру.

«Нам пришлось придумать новый способ получения релевантных данных из изображений, и это то, о чем эта статья».

Источник

Метки:





Геномные достижения обещают новую эру раннего выявления заболеваний у младенцев

Новое исследование показывает, что использование анализа ДНК для скрининга новорожденных может обнаружить гораздо более серьезные, но излечимые заболевания, чем традиционные методы. Исследование, названное GUARDIAN, является одним из первых крупномасштабных проектов по использованию секвенирования генома для новорожденных, и первые результаты показывают, что этот подход может значительно улучшить медицинское обслуживание детей. Первые результаты исследования скрининга новорожденных показывают,…

Новая терапия болезни Альцгеймера показывает замечательные результаты

Исследователи из Мюнхенского технического университета (TUM) добились многообещающих успехов в профилактике болезни Альцгеймера, разработав новую терапевтическую стратегию. Их подход фокусируется на воздействии на биомолекулу бета-амилоида, которая, как известно, вызывает раннюю гиперактивность нервных клеток, характерную для этого заболевания. Исследование TUM демонстрирует многообещающий терапевтический подход Команда под руководством доктора Бенедикта Цотта и профессора Артура Коннерта из Школы…

Дополнительный сон по выходным связан с 20%-ным снижением риска сердечных заболеваний

Люди, которым удается наверстать упущенное во время выходных, могут оказать своему сердцу большую услугу, снизив риск сердечных заболеваний на одну пятую. Этот вывод сделан в ходе исследования, представленного на конгрессе ESC 2024, в котором были проанализированы данные о сне более 90 000 участников UK Biobank. Исследование подчеркивает защитный эффект компенсаторного сна, особенно у людей, которые…

Может ли ваша тревожность привести к слабоумию?

Тревожность и деменция Исследования подчеркивают значительную корреляцию между постоянной и вновь возникшей тревогой и более высоким риском развития деменции у пожилых людей, что позволяет предположить, что эффективное управление тревогой может помочь снизить этот риск. В исследовании, опубликованном в журнале Американского гериатрического общества, как хроническая, так и новая тревожность были связаны с повышенным риском деменции. Однако…