یادگیری ماشینی به آشکارسازی سلول ها کمک می کند’ ساختارهای داخلی با جزئیات جدید

2023 نویسنده: Vanessa Kennett | [email protected]. آخرین اصلاح شده: 2023-05-20 17:32

هر کتاب درسی زیست شناسی مقدماتی را باز کنید، و نمودار آشنا را می بینید: سلولی به ظاهر پر از ساختارهای رنگارنگ - ماشینی درونی که سلول را تیک می زند.

زیست شناسان سلولی عملکردهای اساسی بیشتر این ساختارها که اندامک ها نامیده می شوند را برای دهه ها می دانند. به عنوان مثال، میتوکندری‌های لوبیایی شکل انرژی تولید می‌کنند و میکروتوبول‌های باریک به زیپ محموله‌ها در اطراف سلول کمک می‌کنند. اما با وجود تمام چیزهایی که دانشمندان در مورد این اکوسیستم‌های مینیاتوری آموخته‌اند، چیزهای زیادی در مورد نحوه عملکرد اجزای آنها با هم ناشناخته باقی مانده است.

اکنون، میکروسکوپ پرقدرت - به علاوه دوز سنگین یادگیری ماشینی - به تغییر آن کمک می کند. گروهی از دانشمندان در پردیس تحقیقاتی جانلیا در موسسه پزشکی هاوارد هیوز در 6 اکتبر 2021 در ژورنال Nature گزارش دادند که الگوریتم های رایانه ای جدید می توانند به طور خودکار حدود 30 نوع اندامک مختلف و ساختارهای دیگر را در تصاویر با وضوح فوق العاده بالا از کل سلول ها شناسایی کنند.

Aubrey Weigel، که تیم پروژه Janelia به نام COSEM (برای بخش‌بندی اندام‌های سلولی در میکروسکوپ الکترونی) را رهبری می‌کرد، می‌گوید تجزیه جزئیات این تصاویر تقریباً غیرممکن است که با دست در کل سلول تجزیه شوند. داده های تنها برای یک سلول از ده ها هزار تصویر تشکیل شده است. ردیابی تمام اندامک‌های سلولی از طریق آن مجموعه تصاویر، بیش از 60 سال طول می‌کشد. اما الگوریتم‌های جدید این امکان را فراهم می‌کنند که کل سلول را در چند ساعت به جای سال‌ها نگاشت.

"با استفاده از یادگیری ماشینی برای پردازش داده‌ها، ما احساس کردیم که می‌توانیم نمای متعارف یک سلول را مجدداً مشاهده کنیم.

علاوه بر دو مقاله همراه در نیچر، دانشمندان جانلیا همچنین یک پورتال داده به نام OpenOrganelle منتشر کردند که در آن هر کسی می تواند به مجموعه داده ها و ابزارهایی که ایجاد کرده است دسترسی داشته باشد.

جنیفر لیپینکات شوارتز، رهبر ارشد گروه و رئیس موقت منطقه تحقیقاتی جدید فیزیولوژی سلولی چهاربعدی جانلیا، که در حال حاضر از داده‌ها در تحقیقات خود استفاده می‌کند، می‌گوید این منابع برای دانشمندانی که در مورد چگونگی عملکرد اندامک‌ها سلول‌ها را حفظ می‌کنند بسیار ارزشمند است. او می‌گوید: «آنچه ما واقعاً نمی‌دانیم این است که اندامک‌ها و ساختارهای مختلف چگونه نسبت به یکدیگر چیده شده‌اند - چگونه با یکدیگر تماس می‌گیرند و با هم تماس می‌گیرند، چقدر فضای اشغال می‌کنند.»

برای اولین بار، آن روابط پنهان قابل مشاهده است.

داده های تفصیلی

سفر تیم COSEM با داده‌های جمع‌آوری‌شده توسط میکروسکوپ‌های الکترونی پرقدرت که در یک اتاق ضد ارتعاش ویژه در Janelia قرار دارند آغاز شد.

در ده سال گذشته، این میکروسکوپ‌ها عکس‌های فوری با وضوح بالا از مغز مگس تهیه کرده‌اند.رهبر گروه ارشد جانلیا، هارالد هس و دانشمند ارشد شان زو، این میدان‌ها را مهندسی کرده‌اند تا برش‌های بسیار نازک مغز مگس را با استفاده از پرتو متمرکزی از یون‌ها - رویکردی به نام تصویربرداری FIB-SEM، آسیاب کنند. این دوربین‌ها تصاویر را لایه به لایه می‌گیرند و سپس برنامه‌های رایانه‌ای آن تصاویر را به هم متصل می‌کنند تا یک نمایش سه‌بعدی دقیق از مغز ایجاد شود. بر اساس این داده ها، محققان جانلیا دقیق ترین نقشه عصبی مغز مگس را منتشر کردند.

در بحبوحه تصویربرداری از مغز مگس، تیم هس و ژو به نمونه های دیگری نیز نگاه کردند. با گذشت زمان، آنها مجموعه ای از داده ها را از انواع سلول ها، از جمله سلول های پستانداران، جمع آوری کردند. هس می‌گوید: «ما فکر می‌کردیم که این تصویربرداری دقیق از سلول‌های کامل ممکن است مورد توجه بیولوژیست‌های سلولی باشد.»

Weigel که در آن زمان فوق دکترای آزمایشگاه لیپینکات-شوارتز بود، شروع به استخراج این داده ها برای تحقیقات خود کرد. وایگل می‌گوید: «قدرت تفکیک تصویر FIB-SEM شگفت‌انگیز بود، و ما می‌توانستیم چیزها را در سطحی ببینیم که قبلاً نمی‌توانستیم تصورش را بکنیم، اما اطلاعات در یک نمونه بیشتر از آن چیزی بود که من می‌توانستم در چندین نمونه تجزیه و تحلیل کنم. طول عمر"او متوجه شد که دیگران در جانلیا روی پروژه‌های محاسباتی کار می‌کنند که ممکن است کارها را سرعت بخشد، شروع به سازماندهی یک همکاری کرد.

"همه قطعات اینجا در Janelia بودند،" او می گوید، و تشکیل تیم پروژه COSEM آنها را در جهت یک هدف مشترک قرار داد.

تنظیم مرزها

لاریسا هاینریش، دانشجوی فارغ التحصیل در آزمایشگاه رهبر گروه استفان سالفلد، قبلا ابزارهای یادگیری ماشینی را توسعه داده بود که می توانست سیناپس ها، ارتباطات بین نورون ها را در داده های میکروسکوپ الکترونی مشخص کند. برای COSEM، او آن الگوریتم‌ها را برای ترسیم یا قطعه‌بندی اندامک‌ها در سلول‌ها تطبیق داد.

الگوریتم‌های تقسیم‌بندی سالفلد و هاینریش با اختصاص دادن یک عدد به هر پیکسل در تصویر کار می‌کردند. این عدد نشان می‌دهد که پیکسل چقدر از نزدیکترین سیناپس فاصله دارد. سپس یک الگوریتم از آن اعداد برای شناسایی و برچسب گذاری تمام سیناپس ها در یک تصویر استفاده کرد. سالفلد می گوید که الگوریتم های COSEM به روشی مشابه، اما با ابعاد بیشتر کار می کنند.آنها هر پیکسل را بر اساس فاصله اش با هر یک از 30 نوع اندامک و ساختار مختلف طبقه بندی می کنند. سپس، الگوریتم‌ها همه آن اعداد را برای پیش‌بینی محل قرارگیری اندامک‌ها یکپارچه می‌کنند.

سالفلد می‌گوید با استفاده از داده‌های دانشمندانی که مرزهای اندامک‌ها را به صورت دستی ردیابی کرده‌اند و اعدادی را به پیکسل‌ها اختصاص داده‌اند، الگوریتم می‌تواند یاد بگیرد که ترکیب‌های خاصی از اعداد غیرمنطقی هستند. "بنابراین، برای مثال، یک پیکسل نمی تواند در همان زمان داخل یک میتوکندری باشد که در داخل شبکه آندوپلاسمی است."

برای پاسخ به سؤالاتی مانند تعداد میتوکندری در یک سلول، یا سطح سطح آنها، الگوریتم ها باید حتی فراتر از اینها بروند. تیم او الگوریتم هایی ساخت که دانش قبلی در مورد ویژگی های اندامک ها را در بر می گیرد. به عنوان مثال، دانشمندان می دانند که میکروتوبول ها بلند و نازک هستند. بر اساس این اطلاعات، کامپیوتر می‌تواند درباره محل شروع و پایان یک میکروتوبول قضاوت کند. این تیم می تواند مشاهده کند که چنین دانش قبلی چگونه بر نتایج برنامه کامپیوتری تأثیر می گذارد - چه الگوریتم را کم یا زیاد دقیق کند - و سپس در صورت لزوم تنظیمات را انجام دهد.

پس از دو سال کار، تیم COSEM بر روی مجموعه‌ای از الگوریتم‌ها قرار گرفت که نتایج خوبی را برای داده‌هایی که تاکنون جمع‌آوری شده است، ایجاد می‌کند. وایگل می گوید که این نتایج زمینه مهمی برای تحقیقات آینده در Janelia هستند. تلاش جدیدی به سرپرستی Xu، تصویربرداری FIB-SEM را به سطوح بیشتری از جزئیات می برد. و تیم پروژه دیگری به نام CellMap که به زودی راه اندازی می شود، ابزارها و منابع COSEM را برای ایجاد پایگاه داده حاشیه نویسی سلولی گسترده تر، با تصاویر دقیق از بسیاری از انواع سلول ها و بافت های بیشتر، اصلاح خواهد کرد.

با هم، این پیشرفت ها از حوزه تحقیقاتی 15 ساله بعدی جانلیا، فیزیولوژی سلولی 4 بعدی حمایت می کند - تلاشی که به طور موقت توسط لیپینکات-شوارتز برای درک چگونگی تعامل سلول ها با یکدیگر در هر یک از انواع مختلف بافت انجام شد. وایات کورف، مدیر تیم های پروژه در Janelia می گوید که یک ارگانیسم را تشکیل می دهند.

با منابع جدیدی مانند منابع ایجاد شده توسط تیم COSEM، کورف می گوید، "ما در واقع می توانیم به این سوالات پاسخ دهیم، به روشی که در گذشته به آن دسترسی نداشتیم."