数字进化:计算机科学和人工智能是如何驾驶显微镜创新和推进生命科学

生物学家和其他生命科学家依靠显微镜观察细胞和组织在生物样品细节。描述样本了解生物过程,包括疾病机制,研究人员越来越多地采用多路或多色显微镜技术。这允许您染色样品的不同元素不同的颜色——例如,细胞的核可能是蓝色而细胞膜是染成红色。

因为每个荧光团有一个发射光谱特征波长的范围中发光,荧光体的选择是至关重要的,当使用不同的染料在同一时间学习交互。因为大多数荧光团有一个广泛的发射光谱,重要的是当使用两个或两个以上的荧光体选择的发射光谱的重叠是最小的。如果有重叠,信号相互干扰的现象被称为“相声”,使结果数据难以解释。

因此,至关重要的荧光团非常杰出的多路复用时达到最优结果。当这种需要的例子包括不同免疫细胞的研究与关键生物标志物immuno-oncology研究,和多个蛋白质的离散可视化识别不同类型的神经元在复杂的突触网络在神经科学研究中(参见图1)。¹

图1:成年鼠大脑可视化使用多色或多路显微镜。神经元细胞的荧光团染绿了,Alexa Fluor488;星形胶质细胞被染红了胶质原纤维酸性蛋白(GFAP)染色和细胞核染蓝了4′,6-diamidino-2-phenylindole (DAPI)。图片由En徐教授研究所神经科学和神经学部门,广州医科大学第二附属医院、中国。¹

算法解决方案提供新的可能性的解释数据

帮助克服的挑战多路复用显微镜,自动化工具开发,帮助研究人员通过算法不混合光谱范围——生产更快,更聪明,高质量的数据,为解释图像数据提供了新的可能性。例如,Drs。弗朗西斯科·Cutrale和斯科特·e·弗雷泽转化成像中心的南加州大学(USC)合成两种方法相结合的一种新的方式,潇洒地自动化使用简单的算法使科学家能够立即获取、存储和分析图像产生使用多个荧光标记,。^2、3

第一种方法涉及到高光谱成像,最初开发的遥感飞机飞越全球土地或卫星飞行。这种成像波长的额外维度,它抓住了不同波长的光同时在大量的渠道,而不是按顺序捕获单色图像分别在小数量的渠道。³

虽然这种方法承诺一个更好的方法捕获多色与高分辨率图像,再利用技术的显微镜,有挑战的光源,尤其是在最初的太阳光谱成像方法。显微镜的低得多的光信号,意味着必须解决低荧光信号噪声比。显微荧光光谱成像也影响速度和光子的预算有限。³

但是这些障碍并没有阻止教授弗雷泽,他设法成功地实现高光谱检测显微镜20年前。³他利用复杂的数学不混合信号分离出贡献由各种光谱发射来自生物样品沾多个荧光团。最近,Cutrale博士发现了一个健壮的算法,不仅是对噪声的类型遇到使用高光谱显微术,但也足够简单描述不仅单一像素——可能更容易受到噪声的影响,但也整个样本的完整的光谱成分。³

从高光谱显微术去除噪声

这就是第二种方法。像高光谱成像,相量分析也存在了几十年,已经建立了荧光寿命成像(这部电影)。但它没有被应用到高光谱显微术,直到三年前,当Cutrale博士开始研究高光谱相量。³他发现这是一个强大和有效的去除噪声的高光谱工具显微镜数据。

但仍有一个障碍:人员需要了解相量分析专家水平为了真正理解如何操纵相量不混合信号,有效地消除干扰他们的数据。为了克服这一点,博士Cutrale集成的混合线性分离算法和局部自动化标准算法的通用性和敏感性的相量不混合的信号和最终解决方案更快,更敏感,更容易使用。

事实上,速度、灵敏度和效用收益的方法相结合,与高光谱荧光显微镜和相量分析,可以让研究者去捕捉和分析其在实时图像,这意味着任何失误都可以纠正立刻通过捕获相同的样本的新图像,这将更加困难,如果不是不可能,如果必须进行分析后的数据更晚——污渍已经失去了荧光。^2、3

机器学习映射人类蛋白质的亚细胞分布

迅速发展的计算能力也有助于打破新地面生命科学在人类蛋白质细胞通过先进的显微镜图谱(HPA)计划。博士。艾玛Lundberg细胞生物学蛋白质组学教授k在瑞典皇家理工学院和HPA主任正在开发机器学习(ML)模型来帮助大多数人类蛋白质的亚细胞分布地图,研究他们的动作和实时交互。

ML算法是由她的团队正在帮助改善共焦显微镜的图像分割,使更有效的数据处理和分析,包括图像分割为多个组像素,^4、5识别模式的蛋白质分布没有偏见和识别甚至细微的细胞形态学的变化。⁴同样,罕见的细胞也可以在这些ML-based分析确定。⁴

这些毫升模型也可以嵌入空间信息的格式可以集成与其他类型的分子特征,例如,蛋白质组学数据或单细胞测序数据。⁴实时分析和频繁的成像方法也使团队观察动态事件的细胞,在细胞包括罕见的事件,他们可以选择性地与AI-powered显微镜图像。⁴

扩大使用显微镜通过消除复杂的多光谱成像

虽然高光谱分离卫星图像中已经使用一段时间以太阳为光源,它证明了挑战开发这个显微镜的方法,这是由于荧光极低的信噪比。最后用了几种方法的结合,包括phasor-based分析和自动线性分离到达一个快速和可靠的显微镜技术高光谱分离的“即插即用”的格式更广泛的科学家可以访问。⁶这是温柔的示例,因为只需要一个图像曝光。

由于自动混合光谱分离,多色荧光成像现在更容易、更快捷,提供科学家一个理想的解决方案扫描大样本或捕获快速在活细胞的动态过程。⁶一起ML算法,这些方法允许研究人员从他们的显微镜样品中提取知识当他们仍坐在显微镜标本,专注于获取结果而不是了解他们的显微镜下,释放他们更好地收集数据和执行更好的科学。

引用:

1。Pelzer p .多色显微镜:多路复用的重要性。徕卡的微系统。https://www.leica-microsystems.com/science-lab/multicolor-microscopy-the-importance-of-multiplexing/。1月10日,2022年出版。2022年1月19日通过。

2。Polakovic g .检测肺癌发现假币,这个新的成像技术可以有无数的用途。南加州大学干细胞。https://stemcell.keck.usc.edu/from-detecting-lung-cancer-to-spotting-counterfeit-money-this-new-imaging-technology-could-have-countless-uses/。2月5日,2020年出版。2022年2月11日通过。

3所示。Cutrale F, Trivedi V,陈L,等。高光谱相量分析使多路复用5 d在活的有机体内成像。Nat方法。2017年。https://doi.org/10.1038/nmeth.4134

4所示。Lundberg E,徕卡微系统公司通讯。应用人工智能和机器学习在显微镜和图像分析。徕卡的微系统。https://www.leica-microsystems.com/science-lab/applying-ai-and-machine-learning-in-microscopy-and-image-analysis/。1月10日,2022年出版。2022年1月21日通过。

5。e波图霍夫在显微镜图像分析中使用机器学习。徕卡的微系统。https://www.leica-microsystems.com/science-lab/using-machine-learning-in-microscopy-image-analysis/。1月10日,2022年出版。2022年1月24日通过。

6。阿蒙·J, Laskey p FluoSync——快速、温和的方法分离多色宽视野的荧光图像。白皮书。徕卡的微系统。https://go.leica-ms.com/FluoSync。1月10日,2022年出版。2022年2月11日通过。