Neuartige, auf Deep Learning basierende Software erkennt und verfolgt einzelne Zellen mit hoher Präzision

Zellwachstum und Zellteilung sind zwei der grundlegendsten und wesentlichsten Merkmale des Lebens, und die genaue Überwachung von Zellveränderungen im Laufe der Zeit kann Wissenschaftlern wichtige Erkenntnisse über die Dynamik dieser biologischen Prozesse liefern. Die Zeitraffermikroskopie ermöglicht es Wissenschaftlern, Zellen zu erkennen und zu verfolgen, produziert jedoch riesige Datenmengen, die manuell kaum zu sortieren sind.

Jetzt bieten jedoch leistungsstarke Datenverarbeitungsfunktionen moderner Deep-Learning-Modelle Techniken zum Sortieren so vieler Bilddaten. Der Assistenzprofessor für Biomolekulartechnik Ali Shariati und der Doktorand Abolfazl Zarageri haben zusammen mit mehreren studentischen Forschern im Shariati-Labor ein neues Deep-Learning-Modell namens „DeepSea“ entwickelt und veröffentlicht, eines der wenigen Tools mit der Fähigkeit, Zellen zu segmentieren, zu verfolgen und zu verfolgen erkennen ihre Teilung, um Zelllinien zu verfolgen. DeepSea, das in einem neuen Artikel detailliert beschrieben wird Methoden für Zellberichteist eines der Werkzeuge mit der höchsten Genauigkeit seiner Art.

Der Modelltrainingsdatensatz, die benutzerfreundliche Software und der Open-Source-Code von DeepSea sind zur Nutzung auf der DeepSea-Website verfügbarund Shariati und sein Forscherteam haben damit bereits neue Entdeckungen über das Wachstum und die Teilung von Stammzellen gemacht.

„Das Modell ist effizienter, hat weniger Parameter und sowohl Segmentierung als auch Tracking sind in eine benutzerfreundliche Software integriert“, sagte Shariati. „Mit der Software können Sie das Modell für jeden interessierenden Zelltyp trainieren und so den Weg für zukünftige Entdeckungen ebnen.“

Die Zeitraffermikroskopie, bei der eine Reihe von Bildern eines Mikroskops über einen bestimmten Zeitraum hinweg aufgenommen werden, ermöglicht es Forschern, einzelne Zellen im Verlauf eines Experiments zu überwachen, um Phänomene wie die Differenzierung – wenn Stammzellen zu einem bestimmten Zelltyp werden – oder Formänderungen zu verfolgen und Größe im Laufe der Zeit. Dies kann es Wissenschaftlern ermöglichen, neue biologische Entdeckungen zu machen, indem sie die Dynamik zellbiologischer Phänomene auf der Ebene einzelner Zellen messen.

Sobald die Wissenschaftler Bilder gesammelt haben, müssen sie zwei Hauptaufgaben ausführen: Segmentierung oder Identifizierung der Grenzen einzelner Zellen voneinander und vom Hintergrund; und Tracking, also das Verfolgen einer Zelle von einem Frame zum nächsten. Von diesem Punkt aus können die Forscher weitere Merkmale wie Größe, Form, Textur, Art und Weise, wie sie sich bewegen und ihre Form ändern, und mehr untersuchen.

Das manuelle Sortieren von Mikroskopiebildern ist mühsam, zeitaufwändig und letztendlich eine Aufgabe, die besser für einen Computer geeignet ist – und hier kommt DeepSea ins Spiel. Dieses effiziente Deep-Learning-Modell kann eine Segmentierung in weniger als einer Sekunde durchführen und Zellen mit einer Genauigkeit von 98 % verfolgen.

Die Aktivierung der Software zur Erkennung der Zellteilung war ein besonders einzigartiger und herausfordernder Aspekt dieses Projekts, da es nur wenige oder gar keine anderen Situationen gibt, in denen künstliche Intelligenz und Computer Vision die Umwandlung eines Objekts in zwei Objekte verfolgen müssen.

„Das ist ein sehr ungewöhnliches Problem für die Objektverfolgung“, sagte Shariati. „Wenn Sie ein Auto oder etwas anderes verfolgen möchten, bewegt sich das Auto und Sie können maschinelles Lernen und Computer Vision nutzen, um ihm während seiner Bewegung zu folgen. Aber bei Zellen werden aus einem Objekt plötzlich zwei, und das ist etwas grundlegend Neues.“ Problem, das wir lösen mussten, und das konnten wir auch.“

DeepSea ist ein verallgemeinerbares Modell, das heißt, es kann zur Verfolgung einer Vielzahl von Zelltypen verwendet werden. Es verwendet eine modifizierte Version eines beliebten Modells, 2D-UNET, mit deutlich weniger Parametern, um sowohl hohe Geschwindigkeiten als auch hohe Genauigkeit zu erreichen.

„Wir haben unser Modell mit einigen der besten Zellsegmentierungsmodelle verglichen und unseres zeigt nun die besten Ergebnisse in Bezug auf Präzision und Geschwindigkeit, insbesondere für diese Zelltypen“, sagte Zarageri, ein Doktor der Elektro- und Computertechnik. Student in Shariatis Labor, der die Entwicklung der Software leitete.

Die Forscher trainierten DeepSea anhand eines Datensatzes von Bildern von Zellen, die manuell aus ihrem Hintergrund segmentiert wurden. Dies ist ein zeitintensiver Prozess, da die Bilder oft kontrastarm sind und die Zellkörper schwer zu erkennen sind. Um diesen Prozess zu unterstützen, entwickelte das Team ein weiteres Softwaretool, das beim Zuschneiden, Beschriften und Bearbeiten der Mikroskopiebilder von Zellen hilft und das ebenfalls unter verfügbar ist DeepSeas.org.

Der Trainingsdatensatz umfasste Bilder von Lungen-, Muskel- und Stammzellen, was bedeutet, dass DeepSea eine hohe Präzision über verschiedene Zelltypen hinweg erreicht. Zukünftigen Versionen des Modells können weitere Zelltypen hinzugefügt werden.

Mithilfe von DeepSea untersuchten die Forscher die Größenregulierung embryonaler Stammzellen, die die Grundlage für vielzelliges Leben bilden und sich in jeden anderen Zelltyp differenzieren können. Sie kamen zu der neuen Entdeckung, dass embryonale Stammzellen, die sich bekanntermaßen ungewöhnlich schnell teilen, ihre Größe regulieren, sodass kleinere Zellen länger wachsen, bevor sie die nächste Zellgeneration produzieren.

„Wir haben herausgefunden, dass eine embryonale Stammzelle, wenn sie klein geboren wird, gewissermaßen weiß, dass sie klein ist, sodass sie mehr Zeit mit dem Wachstum verbringt, bevor sie sich erneut teilt“, sagte Shariati. „Wir wissen nicht, warum und wie genau das passiert, aber zumindest gibt es dieses Phänomen.“

In Zukunft planen die Forscher, ihre bestehende Software zur Datenerfassung einzusetzen, um räumliche Beziehungen zwischen Zellen zu untersuchen und zu untersuchen, wie die Zellmerkmale in 3D-Mustern organisiert sind, um Strukturen zu bilden.

Die Forscher wollen auch Engpässe beheben, die ihnen bei der Verwendung ihrer Deep-Learning-Modelle aufgefallen sind, etwa das Fehlen beschrifteter Bilder von Zellen, die zum Trainieren der Modelle verwendet werden. Sie planen, eine Klasse von Frameworks für maschinelles Lernen namens Generative Adversarial Networks (GANs) zu verwenden, um neue synthetische Daten zu erstellen, Bilder von Zellen, die bereits mit Anmerkungen versehen sind, um den Zeitaufwand für die Erstellung von Etiketten zu verkürzen. Den Forschern stünden dann große Datenbanken mit Datensätzen aller Zelltypen zur Verfügung, die sie interessieren würden, und das mit minimaler menschlicher Beteiligung.