ИИ-метод расширяет возможности электронной микроскопии для сложных биологических систем

Электронная микроскопия (ЭМ) позволила визуализировать сложные детали внутри клеток. Развитие 3D-электронной микроскопии, известной как объемная ЭМ (vEM), расширило возможности наномасштабной визуализации в трех измерениях. Однако компромиссы между скоростью съемки, качеством изображения и размером образца ограничивают достижимую площадь и объем визуализации.

Искусственный интеллект (ИИ) становится ключевой силой в научных исследованиях. Вдохновившись прорывами в ИИ-моделях генерации изображений, в частности, развитием диффузионных моделей, исследовательская группа под руководством профессора Хайбо Цзяна (Haibo Jiang) с факультета химии и профессора Сяоцзюань Ци (Xiaojuan Qi) с факультета электротехники и электроники Гонконгского университета (HKU) разработала набор алгоритмов на основе диффузионных моделей под названием EMDiffuse.

Эта инновационная разработка направлена на расширение возможностей визуализации и решение компромиссов, с которыми сталкиваются ЭМ и vEM. Результаты работы опубликованы в Nature Communications.

Улучшение 2D-изображений

Для обычной 2D-ЭМ EMDiffuse эффективно восстанавливает реалистичные, высококачественные изображения с высоким разрешением и ультраструктурными деталями, даже из зашумленных или низкокачественных исходных данных. В отличие от других методов шумоподавления или повышения разрешения на основе глубокого обучения, EMDiffuse использует уникальный подход, выбирая решение из целевого распределения.

Алгоритм использует низкокачественные изображения в качестве условия или ограничения на каждом шаге диффузионного процесса, чтобы гарантировать точность генерируемой структуры. Это означает, что входные данные активно направляют и формируют восстановление, а не просто являются стартовой точкой.

Диффузионная модель эффективно предотвращает размытие, сохраняя разрешение, сравнимое с эталонным, что критически важно для детальных ультраструктурных исследований. Кроме того, обобщаемость и переносимость EMDiffuse позволяют применять его к различным наборам данных напрямую или после минимальной дообучения всего на одной паре изображений.

Улучшение 3D-изображений (vEM)

В vEM современное оборудование часто не может захватить высококачественные 3D-изображения больших образцов, особенно по глубине (или "z-направлению"), что затрудняет полное изучение 3D-структуры важных клеточных компонентов, таких как митохондрии и эндоплазматический ретикулум (ЭПР).

EMDiffuse решает эту проблему двумя гибкими подходами:

1. Он может использовать изотропные тренировочные данные — 3D-наборы изображений с равномерным высоким разрешением по всем измерениям — чтобы научиться улучшать аксиальное (глубинное) разрешение других 3D-данных.
2. EMDiffuse может анализировать существующие 3D-изображения и улучшать их разрешение по глубине с помощью методов самообучения, не требуя специализированных тренировочных данных.

Восстановленные объемы демонстрируют исключительную точность в изучении ультраструктурных деталей, таких как кристы митохондрий и взаимодействия между митохондриями и ЭПР, которые сложно наблюдать в исходных анизотропных объемах. Поскольку EMDiffuse не требует изотропных тренировочных данных, его можно напрямую применять к любому существующему анизотропному объему для улучшения аксиального разрешения.

Значение и перспективы

EMDiffuse представляет собой важный шаг вперед в возможностях визуализации как ЭМ, так и vEM, повышая качество изображений и аксиальное разрешение получаемых данных.

"На этой основе мы можем представить дальнейшее развитие и ускорение алгоритма EMDiffuse, прокладывая путь для углубленного исследования сложной наномасштабной ультраструктуры внутри больших биологических систем", — сказал профессор Хайбо Цзян, один из авторов-корреспондентов статьи.

"По мере развития этой ИИ-технологии визуализации мы с нетерпением ждем, как она позволит исследователям раскрыть ранее неизвестные операционные механизмы внутри биологических систем", — добавила профессор Сяоцзюань Ци, другой автор-корреспондент статьи.