Redes neuronales en la interfaz entre la ciencia de datos y la microscopía electrónica

Desde la preparación de muestras hasta la adquisición de imágenes, la microscopía electrónica (EM) requiere pasos precisos y que requieren mucho tiempo para lograr la claridad y el detalle necesarios para visualizar estructuras de células pequeñas con alta resolución. Además, una vez que se han creado las imágenes EM, extraer información biológica de ellas mediante análisis puede ser una tarea aún más laboriosa y que requiere más tiempo. Sobre todo porque el software de análisis EM actual a menudo requiere el ojo de un científico experto para revisar cientos de imágenes a mano.

Con un poco de ingenio y soluciones innovadoras Redes neuronales, un equipo interdisciplinario de científicos del Instituto Max Planck de Florida para Neurociencias (MPFI) ha desarrollado un nuevo y poderoso software analítico diseñado para optimizar partes de un proceso de larga duración. En colaboración con Electron Microscopy Core Facility y Christie Lab, el proyecto tenía dos tareas estudiantes de secundaria con una mejora radical en las técnicas informáticas establecidas para el análisis de la distribución de proteínas en imágenes EM. A diferencia de la microscopía óptica tradicional que utiliza etiquetado fluorescente, la EM requiere etiquetado de proteínas nanopartículas de oro para visualizarlos en la celda. El software con el divertido nombre “Gold Digger” utiliza la enfoque del aprendizaje profundo para identificación oro partículas asociadas con proteínas específicas de interés.

En una nueva publicación en Informes científicos, El equipo de MPFI desarrolló un algoritmo adaptable basado en el aprendizaje profundo capaz de identificar con precisión diferentes tamaños de partículas de oro. Este enfoque totalmente automatizado acelerará el proceso de conteo y generará información más precisa sobre la ubicación de la distribución de proteínas en la membrana, acelerando nuevos avances.

El aprendizaje profundo o las redes neuronales es una estrategia computacional que permite que el software aprenda progresivamente con el tiempo. Al igual que el cerebro humano, este tipo de algoritmos pueden dividir una escena visual en sus componentes individuales y aprender a reconocer aspectos específicos. Al entregar “datos de entrenamiento” anotados, el software aprende a copiar e imitar acciones humanas para una tarea determinada que las computadoras no podían hacer en un pasado no muy lejano.

“Uno de los desafíos del proyecto fue encontrar una manera de entrenar nuestro software para reconocer solo las partículas de oro que aparecen oscuras en la micrografía electrónica, a diferencia de las sombras de apariencia similar causadas por la superficie irregular de la célula; algo que solo los expertos capacitados en EM podrían haber hecho de antemano ”, explica el Dr. Michael Smirnov, científico de datos neuronales en MPFI y autor correspondiente. “Descubrimos que al proporcionar suficientes datos de entrenamiento y corregir los errores que ocurren en nuestros algoritmos, nuestro software puede distinguir las partículas de oro de estos artefactos de sombra con una precisión casi humana.

Este proyecto comenzó con la curiosidad de dos estudiantes de ciencia de datos de secundaria, Diego Jerez y Eleanor Stuart, pero rápidamente se convirtió en un proyecto más complejo e interdisciplinario. “Me siento muy afortunado de tener una oportunidad única de aplicar lo que hemos aprendido en clase mundo real investigar y ver de primera mano cómo la ciencia de datos puede ayudar a resolver problemas científicos “, explicó Diego Jerez, primer autor de esta publicación. Podría estar más orgulloso de lo que lograron. Espero ver su contribución al futuro de la comunidad científica ”, describe el Dr. Smirnov.

La arquitectura diminuta y compacta del software Gold Digger se utilizó principalmente para congelar réplicas de grietas EM, pero se diseñó específicamente para ser generalizable y compatible entre diferentes aplicaciones EM, incluidos cambios en la ampliación, el área de la imagen, el tipo de celda y el tamaño de las partículas de oro. Archivo software Pronto se distribuirá como código abierto y contará con una interfaz fácil de usar. Los científicos de todo el mundo tendrán la oportunidad de aprovechar y perfeccionar plenamente este algoritmo innovador.

“La sinergia de la colaboración de nuestro equipo fue fundamental para cerrar la brecha entre estas áreas de especialización”, explicó la Dra. Naomi Kamasawa, jefa del departamento de núcleos de microscopía electrónica en MPFI. “Pero de eso se trata la Sociedad Max Planck: reunir a personas interesadas en diferentes temas y permitirles ser creativos juntos. Cuando haces eso, todo es posible.