Die Elektronenmikroskopie hat die Visualisierung der komplizierten Details im Inneren von Zellen ermöglicht. Die Weiterentwicklung zur 3D-Elektronenmikroskopie, bekannt als Volumen-EM (vEM), hat diese dreidimensionale Bildgebungskapazität im Nanobereich noch weiter erweitert. Kompromisse zwischen Bildgebungsgeschwindigkeit, Qualität und Probengröße begrenzen jedoch immer noch den erreichbaren Bildbereich und das erreichbare Bildvolumen.
Künstliche Intelligenz (KI) entwickelt sich in zahlreichen Wissenschaftsbereichen zu einer zentralen Kraft, die bahnbrechende Neuerungen hervorbringt und als wichtiges Instrument im wissenschaftlichen Prozess dient.
Inspiriert von den jüngsten Durchbrüchen bei KI-gestützten Bildgenerierungsmodellen, insbesondere der Entwicklung fortschrittlicher Diffusionsmodelle, hat ein Forschungsteam unter der Leitung von Professor Haibo Jiang vom Fachbereich Chemie und Professor Xiaojuan Qi vom Fachbereich Elektro- und Elektroniktechnik der Universität Hongkong (HKU) eine Reihe von diffusionsmodellbasierten Algorithmen namens EMDiffuse entwickelt.
Diese innovative Lösung zielt darauf ab, die Bildgebungsfähigkeiten zu verbessern und die Kompromisse zwischen EM und vEM zu lösen. Die Ergebnisse des Teams wurden kürzlich veröffentlicht veröffentlicht In Naturkommunikation.
Bei herkömmlicher 2D-EM ist EMDiffuse hervorragend geeignet, realistische, hochwertige Bilder mit hochauflösenden ultrastrukturellen Details wiederherzustellen, sogar aus verrauschten oder niedrig aufgelösten Eingaben. Im Gegensatz zu anderen auf Deep Learning basierenden Rauschunterdrückungs- oder Superauflösungsmethoden verfolgt EMDiffuse einen einzigartigen Ansatz, indem die Lösung aus der Zielverteilung entnommen wird.
EMDiffuse integriert Bilder in niedriger Qualität als Bedingung oder Einschränkung in jedem Schritt seines diffusionsbasierten Prozesses, um die Genauigkeit der generierten Struktur sicherzustellen. Das bedeutet, dass die Eingaben in niedriger Qualität aktiv zur Führung und Formgebung der Wiederherstellung verwendet werden und nicht nur als Ausgangspunkt dienen.
Das Diffusionsmodell kann Unschärfe effektiv verhindern und dabei eine mit der Grundwahrheit vergleichbare Auflösung beibehalten, was für detaillierte ultrastrukturelle Studien entscheidend ist. Darüber hinaus ermöglichen die Generalisierbarkeit und Übertragbarkeit von EMDiffuse dessen Anwendung auf verschiedene Datensätze direkt oder nach minimaler Feinabstimmung mit nur einem Paar Trainingsbilder.
Bei der vEM hat die aktuelle Hardware oft Probleme, hochauflösende 3D-Bilder großer Proben aufzunehmen, insbesondere in der Tiefe (oder „Z-Richtung“). Dies erschwert die vollständige Untersuchung der 3D-Struktur wichtiger Zellkomponenten wie Mitochondrien und des endoplasmatischen Retikulums.
EMDiffuse geht dieses Problem mit zwei flexiblen Ansätzen an. Es kann „isotrope“ Trainingsdaten – 3D-Bilddatensätze mit einheitlicher, hoher Auflösung in allen Dimensionen – verwenden, um zu lernen, wie die axiale Auflösung anderer 3D-Daten verbessert werden kann.
Alternativ kann EMDiffuse vorhandene 3D-Bilder analysieren und ihre Tiefenauflösung durch selbstüberwachte Techniken verbessern, ohne dass spezielle Trainingsdaten erforderlich sind. Dank dieser Vielseitigkeit kann EMDiffuse die Qualität und Nützlichkeit von 3D-Elektronenmikroskopiedaten für verschiedene Forschungsanwendungen verbessern.
Die wiederhergestellten Volumina zeigen eine außergewöhnliche Genauigkeit bei der Untersuchung ultrastruktureller Details wie mitochondrialer Cristae und Interaktionen zwischen Mitochondrien und dem ER, die in ursprünglichen anisotropen Volumina nur schwer zu beobachten sind. Da EMDiffuse keine isotropen Trainingsdaten erfordert, kann es direkt auf jedes vorhandene anisotrope Volumen angewendet werden, um dessen axiale Auflösung zu verbessern.
EMDiffuse stellt eine wichtige Weiterentwicklung der Bildgebungsfähigkeiten von EM und vEM dar und verbessert die Bildqualität und axiale Auflösung der erzeugten Daten. „Auf dieser Grundlage können wir uns eine weitere Entwicklung und Beschleunigung des EMDiffuse-Algorithmus vorstellen, was den Weg für eingehende Untersuchungen der komplexen subzellulären Nano-Ultrastruktur in großen biologischen Systemen ebnet“, sagte Professor Haibo Jiang, einer der korrespondierenden Autoren des Artikels.
„Wir sind gespannt, wie diese KI-gestützte Bildgebungstechnologie mit ihrer Weiterentwicklung es Forschern ermöglicht, bisher unentdeckte Funktionsmechanismen in biologischen Systemen aufzudecken“, sagte Professor Xiaojuan Qi, ein weiterer korrespondierender Autor des Artikels.
Weitere Informationen:
Chixiang Lu et al., Diffusionsbasierte Deep-Learning-Methode zur Verbesserung der ultrastrukturellen Bildgebung und Volumenelektronenmikroskopie, Naturkommunikation (2024). DOI: 10.1038/s41467-024-49125-z