Как искусственный интеллект улучшает детектирование белков

Ученые из Института науки о свете им. Макса Планка (MPL) объединили высокоэффективный метод микроскопии iSCAT с искусственным интеллектом, чтобы лучше детектировать и изучать малые белки, играющие критическую роль в регуляции иммунного ответа, воспаления и нейродегенеративных заболеваний.

Традиционные методы обнаружения белков, основанные на флуоресцентных или радиоактивных метках, могут изменять функцию белка и являются дорогостоящими. Метод интерферометрической рассеивающей микроскопии (iSCAT), также известный как массовая фотометрия, является безындикаторным и позволяет в реальном времени детектировать отдельные белки по свету, рассеянному ими. Однако технические шумы и фоновые флуктуации ранее ограничивали чувствительность метода белками крупнее ~40 кДа.

Использование ИИ для расширения границ микроскопии

Чтобы повысить чувствительность iSCAT, команда MPL под руководством Вахида Сандогдара в сотрудничестве с учеными из Университета Эрлангена — Нюрнберга (FAU) применила два метода машинного обучения для детектирования белков массой всего 10 кДа или менее.

В статье, опубликованной в Nature Methods, они показали, как для этого можно использовать алгоритм iForest в комбинации с техникой FastDVDnet. Оба метода относятся к обучению без учителя, что особенно важно для микроскопии, когда предел обнаружения находится на уровне шума и отсутствуют размеченные данные для обучения.

• FastDVDnet — это продвинутая техника подавления шума на основе глубоких нейронных сетей, оптимизированная для параллельной обработки больших наборов данных. Исследователи использовали ее для выделения изображений белков из записанных видеопоследовательностей iSCAT.
• Алгоритм Isolation Forest (iForest) используется для обнаружения аномалий и хорошо подходит для анализа высокоразмерных данных микроскопии. В этом исследовании он использовал пространственно-временные признаки, извлеченные FastDVDnet, для кластеризации данных iSCAT.

Профессор Вахид Сандогдар отмечает прогресс с момента первой публикации о безындикаторном детектировании малых белков в Nature Communications в 2014 году и ставит новую цель: "Мы полны решимости сдвинуть предел обнаружения дальше, как за счет улучшения физических методов измерений, так и за счет разработки более сложных алгоритмов машинного обучения. Нет фундаментальных причин, почему мы не смогли бы детектировать молекулы массой менее 1 кДа, приблизившись к массе даже одной липидной молекулы".