Yapay zeka (AI), mikroskopi alanında devrim yaratmaya hazırlanıyor. Son yıllarda birçok araştırma ekibinin yapay zekayı görme uygulamalarına başarılı bir şekilde entegre ettiği kaydedildi. Derin öğrenme (DL) ve derin sinir ağları (DNN) tarafından yönlendirilen bu yenilikler, biyomedikal endüstrisinde yepyeni bir olasılıklar alanı açıyor. Küresel teknoloji endüstrisindeki birçok büyük şirket, biyologlara mikroskopi teknikleri kullanarak oluşturdukları görüntüler hakkında daha fazla bilgi edinme yolu sağlayan DL kullanan yöntemler geliştiriyor.
İçindekiler
Google, hücre türlerini belirlemek için derin öğrenmeyi kullanır
Birkaç yıl önce, Gladstone Enstitüleri ve California Üniversitesi’ndeki araştırmacılar, uzun bir süre boyunca tek hücrelerden veri kaydedebilen bir robotik mikroskopi tekniği geliştirdiler. Google, derin öğrenme yaklaşımını uygulamak için böylesine büyük bir veri kümesi arıyordu, bu nedenle mavi gökyüzü fikirlerine (insanların çözemediği veya çözemediği ancak bilgisayarların daha hızlı çözebildiği sorunlar) odaklanma planıyla çalıştılar. Ekip, özellikle ışık mikroskobu ile alınan hücre görüntülerinin bir hücrenin daha karmaşık doğası hakkında çok az şey gösterdiği göz önüne alındığında, insan araştırmacıların yapamadığı bilgileri belirlemek için mikroskopi teknikleriyle oluşturulan görüntüleri inceleyebilecek bir sinir ağı geliştirmeye koyuldu. bilim adamları boyama kullandılar. . Bu bilgileri ifşa etmenin yolları. Ekip, nöral ağın boyanmamış hücrelerin özelliklerini tanımlayacak şekilde eğitilip eğitilemeyeceğini araştırmak istedi, bu da süreci daha hızlı ve daha verimli hale getirdi.
Ekip, birkaç yıllık geliştirme sürecinin ardından bulgularını 2018’de Cell dergisinde yayınladı. Hücre tiplerinin yanı sıra çekirdek ve dendritler gibi hücre alt yapılarını boyanmamış görüntülerden ayırt etmek için bir sinir ağı eğittiklerini gösteriyorlar. Boyanmamış örneklerde kök hücre kaynaklı endotel hücrelerini tanımlamak için kendi yöntemlerini kullanarak bunu başarıyla takip etti. Yapay zeka ve mikroskopi kombinasyonu, bilim adamlarının maliyetli ve zaman alıcı boyama içeren daha karmaşık görüntüleme tekniklerine ihtiyaç duymadan hücre örnekleri hakkında daha derin bir anlayış kazanmalarına olanak tanır. Gladstone Enstitüleri, UCLA ve Google arasındaki bu işbirliğine kadar, mikroskopta derin öğrenmeyi kullanan neredeyse hiçbir çalışma yoktu. Ancak günümüzün görüntü analizi tabloyu değiştiriyor, yeni olanaklar sunuyor ve analitik süreçleri basitleştiriyor.
Mikroskop ile yapay zeka kullanımının artması
Artık hücreleri tanımlamak için derin öğrenmeyi başarıyla kullanan birkaç sistem var ve her biri biraz farklı şekillerde çalışıyor. Örneğin, California Üniversitesi’ndeki bir ekip, bir cep telefonu mikroskobu ve derin bir öğrenme ağı aracılığıyla havadaki polenleri ve mantar sporlarını tanımlayabilen bir yaklaşım geliştirdi ve teknik %94 doğru. Polonya’daki bir ekip yakın zamanda, tarım, gıda güvenliği ve tıbbi araştırmaların önemli bir parçası olan mikroskobik görüntülerden bakteri türlerini ve çeşitliliğini tanımlayabilen derin öğrenme algoritmaları geliştirdi.
Gladstone Enstitüleri ekibinden Finkbeiner, kısa bir süre önce Michael J. Fox Vakfı Araştırma ekibine katılarak, Parkinson hastalığının AI teşhisini iyileştirebilecek insan hücre tiplerini karakterize etmek için mikroskopinin nasıl kullanılabileceğini araştırdı. Hastalıktan yenilik hedefiyle Parkinson ekibinden bir sinir ağı kullanılarak sağlıklı hücrelerden alınan farklılaşmış kök hücrelerden türetilen nöronlar için bir yol. Çeşitli belirteçler kullanarak hastalıklı hücrelerden sağlıklı hücreleri tanıyabilen yapay zeka geliştirmeyi başardı ve hastalık taramasının yapılma şeklini değiştiriyor. Onkoloji alanı da yapay zekanın mikroskopi ile birlikte kullanımındaki gelişmelerden faydalanacaktır. Biyopsi örneklerinin mikroskobik görüntülerini analiz etmeye yardımcı olmak için makine öğrenimi yıllardır uygulanmaktadır. Son zamanlarda, teşhis ve tedaviyi iyileştirmek için derin öğrenme giderek daha fazla kullanılmaktadır. AI, bir patolog tarafından daha önce analiz edilmiş görüntüler üzerinde eğitilerek, derin öğrenme modellerinin tümörleri sınıflandırmasına ve kanserin ilerleme düzeyini değerlendirmesine olanak tanır. AI kullanan metodolojilerin çoğu durumda doktorlardan daha doğru olduğu kanıtlanmıştır.
nasıl çalışıyor?
Derin öğrenme modelleri tarafsız bir yaklaşım benimser. Bu, simgeleri farklı kategorilere zorlamak yerine, belirli kategoriler için en iyi adaylara karar vereceği anlamına gelir. Bununla birlikte, sistem özünde kendi kendine öğrenmedir. Bilim adamları bir yapay zekayı nasıl öğreneceğini eğitemez ve bir yapay zeka da bir bilim adamına bir şeyi nasıl öğreneceğini söyleyemez.
Mikroskopi ve yapay zekanın geleceği
Yapay zekanın mikroskopi tekniklerine dahil edilmesi henüz emekleme aşamasındadır ve önümüzdeki yıllarda daha da geliştirilmesi beklenebilir. Günümüzde, araştırma ve tanı amaçlı olarak hücre tipinin belirlenmesine ve hücre örneklerinin daha derin analizine yardımcı olur. Ayrıca biyomedikal uygulamaların olanaklarını genişletmeye yardımcı olur. Son olarak, araştırmacıların mikroskopi verilerini nasıl toplayıp analiz ettikleri açısından mevcut durumu değiştirir.
Yapay zeka, yüksek çözünürlüklü mikroskopiyi hızlandırır
ANNA PALM, 20 nm’den 2 mm’ye kadar uzamsal ölçeklerde binlerce hücreyi görüntülemek için kullanılabilir. Pasteur Enstitüsü’nden bilim adamları, optik mikroskopinin uzamsal ve zamansal çözünürlüğünü artırmak için bir yöntem geliştirdiler. ANNA-PALM olarak adlandırılan bu yöntem, yapay zeka ve daha spesifik olarak derin öğrenmedeki en son gelişmelere dayanmaktadır. Geleneksel ışık mikroskopları, 200 ila 300 nm aralığındaki yapıları karakterize etmek için kullanılabilir, ancak daha küçük olamaz. Daha küçük nesneler mikroskop altında ışık zerreleri olarak görülür ve iç yapıları gösterilmez. Bu, örneğin, Pasteur Enstitüsü Görüntüleme ve Modelleme Birimi Başkanı Christoph Zimmer tarafından gösterilmiştir. Bu çözüm sorununun üstesinden gelmek için, 2006 yılında ortaya çıkan ve tek molekül lokalizasyonuna dayanan PALM ve STORM teknikleri gibi süper çözünürlüklü mikroskopi yöntemleri geliştirilmiştir. Bu yöntemler, yapıları 20 nm ölçeğine kadar çözebilir, ancak çok yavaştır.
Süper çözünürlüklü mikroskopiyi hızlandırmak için Pasteur Enstitüsü’nden bilim adamları ANNA-PALM adlı yeni bir yöntem geliştirdiler. Bu teknik, elde edilen düşük çözünürlüklü görüntülerden süper çözünürlüklü görüntüleri hızla yeniden oluşturmak için sinir ağlarını kullanır. Mikrotübüller, nükleer gözenekler ve mitokondriler üzerindeki simülasyonlar ve deneyler, elde edilen verilerden, kayda değer bir çözünürlükten ödün vermeden çok daha kısa sürede süper çözünürlüklü görüntülerin yeniden oluşturulabileceğini göstermektedir. Doğru koşullar altında, ANNA-PALM süper çözünürlüklü mikroskopiyi 10 ila 100 kat hızlandırabilir.
Hızdaki bu artış sayesinde, ANNA-PALM çok az sayıda hücrede binlerce hücrenin süper çözünürlüklü görüntülerini elde etmek için kullanılabilir ki bu neredeyse imkansızdır. Edinim süresindeki ve lazer ışınlamadaki keskin azalma sayesinde ANNA-PALM, canlı hücrelerin ultra çözünürlüklü görüntülenmesini büyük ölçüde kolaylaştırır. Ayrıca bu yöntem, terapötik amaçlar için kimyasal moleküllerin yüksek verimli taranması gibi başka olasılıkların da önünü açar. Son olarak Institut Pasteur, Christophe Zimmer’in ekibinin bu işi yapmasına izin veren grafik işleme birimleri (GPU’lar) dahil bilgi işlem kaynaklarını sağlar.
kaynak:
www.the-scientist.com/…/artuate-intelligence-sees-more-in-mikroskopi-than-humans-do-65746
https://www.cell.com/cell/fulltext/S0092-8674(18)30364-7
https://www.nature.com/articles/s41598-019-54961-x#citeas
portlandpress.com/…/Artuate-intelligence-for-microscopy-what-you
yazar: Özlem Güvenç Ağaoğlu
Diğer gönderilerimize göz at
[wpcin-random-posts]