ИИ помогает учёным расшифровывать клеточные структуры

Специалисты используют изображения крио-электронной томографии для изучения органелл и крупных молекулярных комплексов в клетках. Однако ручная разметка (аннотация) структур на томограммах — крайне трудоёмкий процесс.

Группы Zaugg, Mahamid, Kreshuk и Diz-Muñoz из EMBL Heidelberg создали метод на основе искусственного интеллекта для быстрой и эффективной аннотации клеточных структур в крио-электронных томограммах. Они описали этот инструмент в публикации в Nature Methods и сделали его открыто доступным.

DeePiCt (Deep Picker in Context) — это фреймворк глубокого обучения, который распознаёт и маркирует органеллы и молекулярные комплексы значительно быстрее человеческого глаза и без человеческой предвзятости.

«DeePiCt — и в частности предоставляемые нами обученные модели — позволяет любому обнаруживать конкретные частицы и структуры интереса на зашумлённом фоне их собственных томограмм», — сказала Джудит Цаугг.

Фреймворк позволяет классифицировать клеточные структуры на основе их локализации в клетке. Это можно использовать, например, для сравнения класса рибосом, расположенных на митохондриях, с рибосомами на эндоплазматическом ретикулуме. Такие анализы уже выявили неизвестные структурные детали того, как рибосомы связываются с этими разными мембранами.

Программное обеспечение объединяет два типа свёрточных нейронных сетей:

1. Первая была обучена сегментировать клеточные структуры (органеллы, цитоплазма) и работает с 2D-срезами.
2. Вторая была обучена сегментировать частицу интереса (например, рибосому) и работает в трёхмерном пространстве томограммы.

Ключевое преимущество: после обучения на распознавание определённой частицы в наборе томограмм, сеть может идентифицировать те же частицы в новых, ранее не виденных томограммах, включая клетки других видов. Это означает, что DeePiCt можно применять к различным типам образцов.

«Теперь, когда мы показали, что это работает, мы рады сделать программное обеспечение доступным для научного сообщества», — сказала Джулия Махамид.

Исследователи также предоставляют набор из 20 хорошо аннотированных томограмм в архивах EMBL-EBI, что, как ожидается, стимулирует дальнейшую разработку методов.