Intelligente Mikroskope zum Nachweis seltener biologischer Ereignisse

EPFL-Biophysiker haben eine Steuerungssoftware entwickelt, die optimiert, wie Fluoreszenzmikroskope Daten von lebenden Proben sammeln. Ihr Regelkreis, der verwendet wird, um mitochondriale und bakterielle Teilungsstellen im Detail abzubilden, wird als Open-Source-Plug-in veröffentlicht und könnte eine neue Generation intelligenter Mikroskope inspirieren.

Stellen Sie sich vor, Sie sind ein Doktorand mit einem Fluoreszenzmikroskop und einer Probe lebender Bakterien. Wie nutzt man diese Ressourcen am besten, um detaillierte Beobachtungen der Bakterienteilung aus der Probe zu erhalten?

Sie könnten versucht sein, ununterbrochen am Mikroskop zu sitzen und Bilder zu machen, wenn die bakterielle Endteilung beginnt. (Es kann Stunden dauern, bis sich ein Bakterium teilt!) Es ist nicht so verrückt, wie es klingt, da die manuelle Erkennung und Erfassungskontrolle in vielen Wissenschaften weit verbreitet ist.

Alternativ können Sie das Mikroskop so einstellen, dass Bilder wahllos und so oft wie möglich aufgenommen werden. Aber zu viel Licht schwächt die Fluoreszenz der Probe schneller ab und kann lebende Proben vorzeitig zerstören. Außerdem würden Sie viele uninteressante Bilder erzeugen, da nur wenige Bilder von sich teilenden Bakterien enthalten würden.

Eine andere Lösung wäre die Verwendung künstlicher Intelligenz, um Vorläufer der Bakterienteilung zu erkennen und diese zu verwenden, um die Steuerungssoftware des Mikroskops automatisch zu aktualisieren, um mehr Bilder des Ereignisses aufzunehmen.

Hiermit haben EPFL-Biophysiker haben tatsächlich einen Weg gefunden, die Mikroskopsteuerung für die detaillierte Abbildung biologischer Ereignisse zu automatisieren und gleichzeitig die Belastung der Probe zu begrenzen, alles mit Hilfe künstlicher neuronaler Netze. Ihre Technik funktioniert für die bakterielle Zellteilung und für die mitochondriale Teilung. Die Details ihres intelligenten Mikroskops sind in Nature Methods beschrieben.

Manley und ihre KollegInnen lösten zuerst, wie man die mitochondriale Teilung erkennt, was schwieriger ist als bei Bakterien wie C. crescentus. Die mitochondriale Teilung ist unvorhersehbar, da sie selten auftritt und fast überall innerhalb des mitochondrialen Netzwerks zu jedem Zeitpunkt auftreten kann. Aber die Wissenschaftler lösten das Problem, indem sie das neuronale Netzwerk darauf trainierten, nach mitochondrialen Verengungen Ausschau zu halten, einer Formänderung der Mitochondrien, die zur Teilung führt, kombiniert mit Beobachtungen eines Proteins, von dem bekannt ist, dass es an Teilungsstellen angereichert ist.

Wenn sowohl Verengungen als auch Proteinkonzentrationen hoch sind, schaltet das Mikroskop auf Hochgeschwindigkeitsbildgebung um, um viele Bilder von Teilungsereignissen im Detail aufzunehmen. Wenn die Konstriktion und der Proteingehalt niedrig sind, schaltet das Mikroskop auf langsame Bildgebung um, um zu vermeiden, dass die Probe übermäßigem Licht ausgesetzt wird.

Mit diesem intelligenten Fluoreszenzmikroskop zeigten die Wissenschaftler, dass sie die Probe im Vergleich zur standardmäßigen schnellen Bildgebung länger beobachten konnten. Obwohl die Probe im Vergleich zur langsamen Standardbildgebung stärker belastet war, konnten sie aussagekräftigere Daten erhalten.

Die Wissenschaftler stellen das Steuerungs-Framework als Open-Source-Plugin für die offene Mikroskop-Software Micro-Manager zur Verfügung, mit dem Ziel, anderen Wissenschaftlern die Integration künstlicher Intelligenz in ihre eigenen Mikroskope zu ermöglichen.

Quelle: EPFL, Hillary Sanctuary