Las redes de IA generan superresolución a partir de microscopía básica
ARRIBA: Una red neuronal profunda permitió la conversión de imágenes confocales de núcleos de células HeLa (izquierda) a imágenes de superresolución (centro) comparables a las que se logran usando la superresolución tecnología de imágenes de resolución conocida como agotamiento de emisión estimulada (derecha). OZCAN LAB EN UCLA
Usando un tipo de inteligencia artificial, los científicos han convertido micrografías de células de baja resolución en imágenes de alta calidad del tipo que normalmente se logra usando Tecnologías de súper resolución. El enfoque, publicado hoy (17 de diciembre) en Nature Methods, podría poner la microscopía de superresolución en manos de un número mucho mayor de laboratorios, al posibilitar la obtención de imágenes de tan alta calidad a partir de imágenes estándar. microscopios de sobremesa, dice a The Scientist el coautor Aydogan Ozcan de la Universidad de California en Los Ángeles. «[Los enfoques de súper resolución] están realmente limitados a entornos ricos en recursos en términos de equipo y experiencia. Ahora, a través de la IA, estamos cambiando el juego».</p
Durante el último año o dos, los investigadores en el campo de la microscopía…
En este último trabajo, Ozcan y sus colegas entrenaron las llamadas redes neuronales profundas, modelos informáticos que aprenden relaciones no lineales entre pares de datos de entrada, para transformar imágenes de microscopía confocal y de fluorescencia en imágenes de alta calidad como las generadas por agotamiento de emisión estimulada (STED) y microscopía de iluminación estructurada (SIM), respectivamente. Las comparaciones con imágenes adquiridas a través de técnicas de súper resolución revelaron que las redes neuronales no son alucinantes, dice Ozcan. Realmente muestra las características de súper resolución incrustadas en el objeto.
Creo que es sólido, dice Samuel Yang, científico investigador de Google. Si la apariencia de la [estructura de interés] no va a cambiar mucho, creo que es perfectamente válido usar esta técnica.
Ozcan y sus colegas también entrenaron un modelo para mejorar la resolución de las células endoteliales de la arteria pulmonar bovina tomadas con un objetivo de 10x (izquierda) en imágenes (centro) comparables con las tomadas con un zoom de 20x (derecha). Los paneles df muestran un zoom digital de las células F-actina (magenta) y microtúbulos (verde). OZCAN LAB AT UCLA
La La utilidad para los biólogos puede tener algunas limitaciones. Peter Horvath, biólogo celular computacional del Centro de Investigación Biológica de la Academia de Ciencias de Hungría, dice que cree que las redes neuronales profundas podrían pasar por alto matices clave en las muestras. Copia contenido de otra imagen que se ve similar, pero por lo general en la investigación buscamos encontrar algo extraordinario o diferente de los demás, dice. Aquí es exactamente donde este método fallaría porque no preservaría las diferencias.
Algunos investigadores han tenido éxito capturando tales anomalías con redes neuronales profundas. A principios de este año, por ejemplo, el biofísico computacional del Instituto Pasteur, Christophe Zimmer, y sus colegas desarrollaron una red para reducir el número de fotogramas y, por lo tanto, el tiempo necesario para construir una imagen comparable con una derivada de la técnica de superresolución conocida como microscopía de localización. Entrenadas en microtúbulos, las redes no tuvieron problemas para lograr con precisión la superresolución con imágenes de microtúbulos anormales, dice Zimmer.
La capacidad del modelo para generalizar a estructuras diferentes a las que se había entrenado tenía sus límites, Zimmer advierte. Cuando se probó en imágenes de poros nucleares, la salida fue esencialmente un artefacto gigantesco, dice. La red neuronal intenta introducir pequeños filamentos a través de estos poros nucleares, por lo que la imagen está llena de filamentos en lugar de estas estructuras octogonales.
Ozcan y sus colegas informan que sus redes pueden crear con éxito versiones de súper resolución de nuevos tipos de muestras. Por ejemplo, una figura complementaria en su artículo parece ilustrar cómo un modelo entrenado con imágenes de microfilamentos de actina podría mejorar con precisión la resolución de imágenes de mitocondrias o vasos sanguíneos. Tenemos evidencia de que está generalizando este concepto de súper resolución incluso en nuevos tipos de muestras que no ha visto, dice Ozcan.
Esta afirmación provocó el escepticismo de los expertos The Scientist habló con. Creo que eso es exagerar un poco, dice Yang.
El bajo rendimiento cuando se generaliza a diferentes tipos de imágenes es una deficiencia común de este tipo de enfoque de IA para mejorar la resolución, señala Allen Goodman, científico informático del Broad Institute. El problema es que las redes a menudo están demasiado ajustadas para cualquier problema en el que estaban trabajando durante el entrenamiento, dice.
En el otro extremo del espectro, una red que puede generar con precisión imágenes de superresolución de nuevos los tipos de muestra realmente democratizarían la técnica, ya que el modelo solo tendría que ser entrenado con imágenes de súper resolución verdaderas una vez, no repetidamente para cada tipo de muestra que un grupo de investigación quiera examinar.
Enfatiza Ozcan que el mensaje en su artículo es que siempre es mejor volver a entrenar las redes al nuevo tipo de muestra. Pero la generalización ya está ahí, dice. Hasta dónde puedes llevarlo, esa es la pregunta que creo que todo el mundo tiene.
H. Wang et al., Deep learning permite superresolución de modalidad cruzada en microscopía de fluorescencia, Nat Methods, doi:10.1038/s41592-018-0239-0, 2018.
¿Le interesa leer más?
The Scientist ARCHIVES
Conviértase en miembro de
Reciba acceso completo a más de 35 años de archivos, así como TS Digest, ediciones digitales de The Scientist, artículos destacados, ¡y mucho más!Únase gratis hoy ¿Ya es miembro?Inicie sesión aquí