ARRIBA: Una red neuronal profunda permiti\u00f3 la conversi\u00f3n de im\u00e1genes confocales de n\u00facleos de c\u00e9lulas HeLa (izquierda) a im\u00e1genes de superresoluci\u00f3n (centro) comparables a las que se logran usando la superresoluci\u00f3n tecnolog\u00eda de im\u00e1genes de resoluci\u00f3n conocida como agotamiento de emisi\u00f3n estimulada (derecha). OZCAN LAB EN UCLA<\/p>\n
Usando un tipo de inteligencia artificial, los cient\u00edficos han convertido micrograf\u00edas de c\u00e9lulas de baja resoluci\u00f3n en im\u00e1genes de alta calidad del tipo que normalmente se logra usando Tecnolog\u00edas de s\u00faper resoluci\u00f3n. El enfoque, publicado hoy (17 de diciembre) en Nature Methods<\/em>, podr\u00eda poner la microscop\u00eda de superresoluci\u00f3n en manos de un n\u00famero mucho mayor de laboratorios, al posibilitar la obtenci\u00f3n de im\u00e1genes de tan alta calidad a partir de im\u00e1genes est\u00e1ndar. microscopios de sobremesa, dice a The Scientist<\/em> el coautor Aydogan Ozcan de la Universidad de California en Los \u00c1ngeles. \u00ab[Los enfoques de s\u00faper resoluci\u00f3n] est\u00e1n realmente limitados a entornos ricos en recursos en t\u00e9rminos de equipo y experiencia. <\/strong>Ahora, a trav\u00e9s de la IA, estamos cambiando el juego\u00bb.<\/p <\/p>\n Durante el \u00faltimo a\u00f1o o dos, los investigadores en el campo de la microscop\u00eda…<\/p>\n En este \u00faltimo trabajo, Ozcan y sus colegas entrenaron las llamadas redes neuronales profundas, modelos inform\u00e1ticos que aprenden relaciones no lineales entre pares de datos de entrada, para transformar im\u00e1genes de microscop\u00eda confocal y de fluorescencia en im\u00e1genes de alta calidad como las generadas por agotamiento de emisi\u00f3n estimulada (STED) y microscop\u00eda de iluminaci\u00f3n estructurada (SIM), respectivamente. Las comparaciones con im\u00e1genes adquiridas a trav\u00e9s de t\u00e9cnicas de s\u00faper resoluci\u00f3n revelaron que las redes neuronales no son alucinantes, dice Ozcan. Realmente muestra las caracter\u00edsticas de s\u00faper resoluci\u00f3n incrustadas en el objeto.<\/p>\n Creo que es s\u00f3lido, dice Samuel Yang, cient\u00edfico investigador de Google. Si la apariencia de la [estructura de inter\u00e9s] no va a cambiar mucho, creo que es perfectamente v\u00e1lido usar esta t\u00e9cnica.<\/p>\n Ozcan y sus colegas tambi\u00e9n entrenaron un modelo para mejorar la resoluci\u00f3n de las c\u00e9lulas endoteliales de la arteria pulmonar bovina tomadas con un objetivo de 10x (izquierda) en im\u00e1genes (centro) comparables con las tomadas con un zoom de 20x (derecha). Los paneles df muestran un zoom digital de las c\u00e9lulas F-actina (magenta) y microt\u00fabulos (verde).<\/em> OZCAN LAB AT UCLA<\/p>\n<\/p>\n La La utilidad para los bi\u00f3logos puede tener algunas limitaciones. Peter Horvath, bi\u00f3logo celular computacional del Centro de Investigaci\u00f3n Biol\u00f3gica de la Academia de Ciencias de Hungr\u00eda, dice que cree que las redes neuronales profundas podr\u00edan pasar por alto matices clave en las muestras. Copia contenido de otra imagen que se ve similar, pero por lo general en la investigaci\u00f3n buscamos encontrar algo extraordinario o diferente de los dem\u00e1s, dice. Aqu\u00ed es exactamente donde este m\u00e9todo fallar\u00eda porque no preservar\u00eda las diferencias.<\/p>\n Algunos investigadores han tenido \u00e9xito capturando tales anomal\u00edas con redes neuronales profundas. A principios de este a\u00f1o, por ejemplo, el biof\u00edsico computacional del Instituto Pasteur, Christophe Zimmer, y sus colegas desarrollaron una red para reducir el n\u00famero de fotogramas y, por lo tanto, el tiempo necesario para construir una imagen comparable con una derivada de la t\u00e9cnica de superresoluci\u00f3n conocida como microscop\u00eda de localizaci\u00f3n. Entrenadas en microt\u00fabulos, las redes no tuvieron problemas para lograr con precisi\u00f3n la superresoluci\u00f3n con im\u00e1genes de microt\u00fabulos anormales, dice Zimmer.<\/p>\n La capacidad del modelo para generalizar a estructuras diferentes a las que se hab\u00eda entrenado ten\u00eda sus l\u00edmites, Zimmer advierte. Cuando se prob\u00f3 en im\u00e1genes de poros nucleares, la salida fue esencialmente un artefacto gigantesco, dice. La red neuronal intenta introducir peque\u00f1os filamentos a trav\u00e9s de estos poros nucleares, por lo que la imagen est\u00e1 llena de filamentos en lugar de estas estructuras octogonales.<\/p>\n Ozcan y sus colegas informan que sus redes pueden crear con \u00e9xito versiones de s\u00faper resoluci\u00f3n de nuevos tipos de muestras. Por ejemplo, una figura complementaria en su art\u00edculo parece ilustrar c\u00f3mo un modelo entrenado con im\u00e1genes de microfilamentos de actina podr\u00eda mejorar con precisi\u00f3n la resoluci\u00f3n de im\u00e1genes de mitocondrias o vasos sangu\u00edneos. Tenemos evidencia de que est\u00e1 generalizando este concepto de s\u00faper resoluci\u00f3n incluso en nuevos tipos de muestras que no ha visto, dice Ozcan.<\/p>\n Esta afirmaci\u00f3n provoc\u00f3 el escepticismo de los expertos The Scientist <\/em> habl\u00f3 con. Creo que eso es exagerar un poco, dice Yang.<\/p>\n El bajo rendimiento cuando se generaliza a diferentes tipos de im\u00e1genes es una deficiencia com\u00fan de este tipo de enfoque de IA para mejorar la resoluci\u00f3n, se\u00f1ala Allen Goodman, cient\u00edfico inform\u00e1tico del Broad Institute. El problema es que las redes a menudo est\u00e1n demasiado ajustadas para cualquier problema en el que estaban trabajando durante el entrenamiento, dice.<\/p>\n En el otro extremo del espectro, una red que puede generar con precisi\u00f3n im\u00e1genes de superresoluci\u00f3n de nuevos los tipos de muestra realmente democratizar\u00edan la t\u00e9cnica, ya que el modelo solo tendr\u00eda que ser entrenado con im\u00e1genes de s\u00faper resoluci\u00f3n verdaderas una vez, no repetidamente para cada tipo de muestra que un grupo de investigaci\u00f3n quiera examinar.<\/p>\n Enfatiza Ozcan que el mensaje en su art\u00edculo es que siempre es mejor volver a entrenar las redes al nuevo tipo de muestra. Pero la generalizaci\u00f3n ya est\u00e1 ah\u00ed, dice. Hasta d\u00f3nde puedes llevarlo, esa es la pregunta que creo que todo el mundo tiene.<\/p>\n H. Wang et al., Deep learning permite superresoluci\u00f3n de modalidad cruzada en microscop\u00eda de fluorescencia, Nat Methods<\/em>, doi:10.1038\/s41592-018-0239-0, 2018.<\/strong><\/p>\n Reciba acceso completo a m\u00e1s de 35 a\u00f1os de archivos<\/strong>, as\u00ed como TS Digest<\/em><\/strong>, ediciones digitales de The Scientist<\/em><\/strong>, art\u00edculos destacados<\/strong>, \u00a1y mucho m\u00e1s!\u00danase gratis hoy \u00bfYa es miembro?Inicie sesi\u00f3n aqu\u00ed<\/p>\n","protected":false},"excerpt":{"rendered":" ARRIBA: Una red neuronal profunda permiti\u00f3 la conversi\u00f3n de im\u00e1genes confocales de n\u00facleos de c\u00e9lulas HeLa (izquierda) a im\u00e1genes de superresoluci\u00f3n (centro) comparables a las que se logran usando la superresoluci\u00f3n tecnolog\u00eda de im\u00e1genes de resoluci\u00f3n conocida como agotamiento de emisi\u00f3n estimulada (derecha). OZCAN LAB EN UCLA Usando un tipo de inteligencia artificial, los cient\u00edficos … Continuar leyendo \u00abLas redes de IA generan superresoluci\u00f3n a partir de microscop\u00eda b\u00e1sica\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-35761","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/35761","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=35761"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/35761\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=35761"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=35761"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=35761"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\u00bfLe interesa leer m\u00e1s?<\/h2>\n
The Scientist <\/em>ARCHIVES<\/h4>\n
Convi\u00e9rtase en miembro de<\/h2>\n