Улучшение рабочей лошадки: ИИ и инновации в оборудовании повышают производительность конфокального микроскопа

Конфокальная микроскопия, запатентованная Марвином Минским в 1957 году, стала стандартом в лабораториях наук о жизни благодаря превосходному контрасту. Однако у неё есть недостаток: она сканирует образец по одной точке, что требует много времени и подвергает биологические образцы токсичным дозам света.

Коллаборация в Marine Biological Laboratory (MBL) создала платформу "Multiview Confocal Super-Resolution Microscopy", которая значительно улучшает конфокальную визуализацию. Технология, описанная в Nature, повышает объёмное разрешение более чем в 10 раз и одновременно снижает фототоксичность.

Ключевые инновации платформы:

• Три объектива: Позволяют визуализировать образцы разного размера — от ядер и нейронов в эмбрионе C. elegans до целого взрослого червя. Несколько видов образца быстро захватываются, регистрируются и объединяются для улучшения разрешения.
• Инновационные сканирующие головки: Для трёх линз, позволяющие легко добавить линейное сканирующее освещение к основанию микроскопа.
• Сверхразрешение: Адаптация методов микроскопии структурированного освещения для получения разрешения за дифракционным пределом света.

Роль искусственного интеллекта:

Основная проблема — фототоксичность из-за высокой дозы света. Снижение интенсивности лазера приводит к увеличению "шума" (фоновой зернистости), который маскирует детали ("сигнал").

Команда обучила модель Deep Learning (нейронную сеть) отличать изображения с низким отношением сигнал/шум (SNR) от изображений с высоким SNR. В итоге сеть научилась предсказывать изображения с высоким SNR, получая на вход данные с низким SNR.

"Deep Learning позволяет взять этот "аппаратный пик" за золотой стандарт разрешения, а затем обучить нейронную сеть достигать аналогичных результатов с данными с гораздо более низким SNR, гораздо меньшим количеством снимков и, следовательно, с гораздо меньшей световой дозой для образца", — сказал соавтор Патрик Ла Ривиер.

Демонстрация возможностей:

Платформа была протестирована на более чем 20 различных фиксированных и живых образцах, включая:

• Распределение белков в отдельных клетках.
• Ядра и развивающиеся нейроны у C. elegans.
• Миобласты в имагинальных дисках крыла Drosophila.
• Почечные, пищеводные, сердечные и мозговые ткани мыши.

Технология также имеет потенциал для применения в гистологических и патологических лабораториях для визуализации человеческих тканей.

Разработка стала результатом почти десятилетнего сотрудничества учёных из MBL, Йельской школы медицины и компании Applied Scientific Instrumentation. Первый автор статьи Ицун У построил новую платформу и внедрил подходы Deep Learning, которые освоил на новом курсе MBL "DL@MBL: Deep Learning for Microscopy Image Analysis".