/图像-1/ COS-7细胞用SMLM成像。信用:阿图尔·斯佩瑟等人的重建。艾尔。，数据由Wesley Legant等人提供。艾尔。DOI:10.1038/s 14592-021-01236-x科学家利用超分辨率显微镜研究以前未被发现的细胞世界，揭示细胞内部的纳米尺度细节。这种方法彻底改变了光学显微镜，并为其发明者赢得了2014年诺贝尔化学奖。在一项国际合作中，来自图宾根的人工智能研究人员现在已经开发出一种算法，可以显著加速这项技术。单分子定位显微镜(SMLM)是一种超分辨率显微镜。它包括用荧光分子标记感兴趣的蛋白质，并使用光一次只激活几个分子。使用这个技巧，可以获得同一样本的多个图像。为了创造一幅有意义的图片，计算机程序解读数据并编译完整的图像。虽然这项技术可以用于高精度定位分子，但它有一个主要缺点——它需要科学家获取大量图像，这使得这个过程非常耗时。
在一项国际合作中，图宾根大学科学机器学习教授雅各布·麦基的团队开发了一种新算法，克服了SMLM的这一局限性。与海德堡欧洲分子生物学实验室(EMBL)的Ries小组和美国弗吉尼亚Janelia研究校园的Srinivas Turaga博士的团队的联合工作发表在《自然方法》杂志上。
深度学习能够实现高度精确的单分子定位
DECODE (DEep COntext DEpendent)算法基于深度学习:它使用从训练数据中学习的神经网络。然而，这种情况下的网络不是使用真实图像，而是用数值模拟生成的合成数据进行训练。通过整合关于微观设置和成像物理的信息，研究人员实现了与真实世界采集非常匹配的模拟。“我们使用模拟数据训练的神经网络因此也可以检测和定位真实图像中的荧光团，”阿图尔·斯佩瑟解释道，他和卢卡斯-拉斐尔·穆勒是该论文的主要作者。
DECODE的一个好处是，它能以比以前更高的密度准确地检测和定位荧光团。这意味着每个样本需要更少的图像。因此，成像速度可以提高10倍，分辨率损失最小。此外，DECODE可以量化不确定性，因此网络本身可以在不确定其位置时进行检测。
跨学科拓展了研究的视角
“这项工作表明了我们的卓越集群“机器学习:科学的新视角”的方法，”麦基说，他的主席是图宾根集群的一部分。”我们最初在一个非常不同的背景下发展了机器学习方法的基本思想，但是通过与计算显微镜领域的专家合作，我们能够将它们转化为分析SMLM数据的强大方法。"
该团队还构建了一个实现DECODE算法的软件包。来自EMBL的乔纳斯·里斯博士补充说:“该软件安装简单，使用自由，因此我们希望它将来对许多科学家有用。”。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
