خانه > تازه ها > الگوریتم های یادگیری عمیق برای شناسایی ساختارهای موجود در سلول های زنده
یادگیری عمیق تشخیص سلول ها 2

الگوریتم های یادگیری عمیق برای شناسایی ساختارهای موجود در سلول های زنده

محققان از با استفاده از هوش مصنوعی ویژگی های مربوط به عکس های میکروسکوپی با زمینه روشن را شناسایی می کنند.

برای زیست شناسان سلولی، میکروسکوپ فلورسنس یک ابزار ارزشمند  به حساب می آید. ترکیب پادتن ها با رنگ های مختلف و یا وارد کردن کد ژن ها به پروتئین های فلورسنت در داخل DNA سلول های زنده می تواند به دانشمندان کمک کند تا محل اندام های سلولی، عروق سلولی و دیگر ساختارهای سلولی را با استفاده از تصاویر میکروسکوپی غیر قابل نفوذ شناسایی کنند. اما این تکنیک اشکالات خود را دارد. محدودیت هایی برای تعداد تگ های فلورسنتی که می توانند در یک سلول بخصوص به کار گرفته شوند وجود دارد و همچنین عوارض جانبی مانند حساسیت به نورعکاسی – که به این دلیل که فرد به طور مکرر در معرض نور قرار می گیرد رخ می دهد –  می تواند مانع از توانایی محققان برای تصویربرداری از سلول های زنده شود.

این مسائل ذهن گرگ جانسون مهندس زیست پزشکی  که در سال ۲۰۱۶ به موسسه Allen Institute در سیاتل پیوست را به خود مشغول کرد. جانسون، که کار رساله ی دکترای خود را در دانشگاه Carnegie Mellon متمرکز بر ایجاد ابزار محاسباتی برای مدل سازی ساختارهای سلولی کرده بود، به عنوان بخشی از یک گروه از محققانی که برای ساخت یک مدل سه بعدی سلولی کار می کردند استخدام شد. بر طبق نظر جانسون، یکی از اهداف کلیدی این پروژه که آن را ” یکپارچگی سلولی الن ” نامیده بود، این بود که بتواند ابزاری برای کمک به تجسم تغییرات در ساختار فضایی سلول ها هنگامی که از یک حالت به یک دیگر تغییر حالت می دهند، توسعه دهد. به عنوان مثال، تغییر حالت از یک سلول بنیادی پلوریپوتنت به یک سلول قلب متمایز.

جانسون می گوید: ” به علت محدودیت های تکنولوژیکی، ما فقط می توانیم تعداد کمی از چیز هایی را که در سلول هستند مشاهده کنیم. بنابراین ما به دنبال راه هایی بودیم که حداقل بتوانیم سازماندهی تعداد بیشتری از ساختارهای سلولی را با استفاده از اطلاعاتی که قبلا داشته ایم، پیش بینی کنیم.

به طور خاص، آن ها می خواستند یک روش برای شناسایی اجزای سلول زنده در تصاویر گرفته شده با استفاده از میکروسکوپ های با  زمینه روشن به وجود بیاورند. این روش ساده تر و ارزان تر از استفاده از میکروسکوپ فلورسنت می باشد، اما دارای یک ایراد اساسی است: تصاویری می سازد که تنها به صورت سایه های خاکستری ظاهر می شوند، که کشف ساختار داخلی سلول را دشوار می کند. بنابراین دانشمندان تصمیم گرفتند الگوریتم کامپیوتری را ایجاد کنند که می تواند مزایای هر دو روش را با یادگیری نحوه تشخیص و تگ کردن  ساختارهای سلولی را به نحوی که علامت های فلورسنتی قادر هستند، ترکیب کند، اما در تصاویری با پیش زمینه ی روشن.”

دیدن این کار در یک فیلم،

در یک سلول زنده، در

تکنولوژی سه بعدی، باعث

می شد که واقعا دهان

انسان باز بماند. واقعا شبیه

یک جادو بود.

– ریک هوریتز، مؤسسه آلن برای علوم سلولی

 برای انجام این کار، تیم به یادگیری عمیق( Deep Learning )  روی آورد، رویکردی مبتنی بر هوش مصنوعی ( AI )  که در آن الگوریتم ها به نوعی طراحی می شوند که بتوانند الگوها را در مجموعه داده ها شناسایی کنند. آنها شبکه های عصبی کانولوشنی  را – یک روش یادگیری عمیق که معمولا برای تجزیه و تحلیل و طبقه بندی تصاویر استفاده می شود – برای تشخیص شباهت بین تصویر های با زمینه های روشن و تصاویر میکروسکوپی فلورسنتی چندین مولفه سلولی از جمله پاکت های هسته ای، غشای سلولی و میتوکندری طراحی کردند.

پس از مقایسه بسیاری از تصاویر به صورت دوتایی، این الگوریتم قادر به پیش بینی موقعیت ساختارهایی بود که تگ های فلورسنت می توانستند علامت گذاری کنند، اما در تصاویر ۳ بعدی از سلول های زنده با زمینه روشن (Nat Methods، ۱۵: ۹۱۷-۲۰، ۲۰۱۸). محققان دریافتند که ابزاری که طراحی کرده بودند بسیار دقیق بود: محل علامت های پیش بینی شده توسط الگوریتم آن ها با علامت های های فلورسنتی واقعی برای بسیاری از اجزای سلولی، از جمله هسته ها، پاکت های هسته ای و میکروتوبول ها، بسیار همسان بودند. جانسون در این رابطه به دانشمند می گوید: با به کارگیری این تکنیک بر روی مجموعه ای از تصاویر با زمینه روشن و ادغام خروجی ها، ” ما توانستیم حرکت تدریجی بسیار زیبای تمامی این قسمت های سلولی را که در اطراف حرکت می کنند و با همدیگر ارتباط برقرار می کنند را به تصویر بکشیم .”

یادگیری عمیق تشخیص سلول ها
دیدگاه جدید: محققین از یک الگوریتم برای پیشبینی موقعیت ساختار ها در سلول انسان با استفاده از تصاویر گرفته شده توسط میکروسکپ با زمینه روشن، استفاده کردند. اجزای سلولی که شامل پاکت هسته ای و دی ان ای ( خاکستری )، میتوکندری ( بنفش )، آکتین ( زرد )، سلول های اندوپلاسمی ( آبی ) و میکروتوبول ها ( قهوه ای مایل به زرد ).
روابط عمومی موسسه Allen

ریک هوریتز، مدیر اجرایی موسسه علوم سلولی Allen که به طور مستقیم در پروژه دخیل نبود می گوید: “دیدن این کار در یک فیلم، در یک سلول زنده، در تکنولوژی سه بعدی، باعث می شد که واقعا دهان انسان باز بماند. واقعا شبیه یک جادو بود. “

لورا بوچرون، مهندس برق در دانشگاه ایالتی نیومکزیکو که در این کار دخیل مشارکت نداشت، اما در نگارش گروهی مقاله ای در همین شماره از مجله روش های طبیعت همکاری داشت، به دانشمندان گفت که نتایج ” به طرز چشمگیری موثر بوده است “. او اضافه می کند که تصاویر تولید شده توسط الگوریتم ” شباهت قابل توجهی ” با عکس هایی که با استفاده از میکروسکوپ های فلورسانس تولید شده بودند داشتند. ” تصاویر با زمینه روشن، برای یک انسان، جذابیت بصری خاصی ندارند. بوچرون می گوید ” آنها در زمینه نمایش ساختارهای سلولی به اندازه عکس های فلورسنتی شفاف نیستند. اما بر اساس نتایج، به وضوح اطلاعاتی [ در تصاویر درخشان ] وجود دارد که شبکه در حال یادگیری تفسیر و تجزیه و تحلیل آن است. “

جانسون یادآور می شود که مزیت بزرگی که الگوریتم طراحی شده توسط تیمش دارد این است که بر خلاف باور عمومی که الگوریتم های یادگیری عمیق نیاز به هزاران عکس برای یادگیری دارند، این ابزار می تواند تنها توسط ده ها مورد طراحی شود. او می افزاید: “این تعداد عکس را یک دانش آموز فارغ التحیل شده می تواند در یک بعدازظهر جمع آوری کند.” محققان همچنین توانستند از الگوریتم یادگیری عمیق خود برای شناسایی محل پروتئین هایی که میلین را تشکیل می دهد – پوسته محافظ در اطراف نورون ها – در تصاویر میکروسکوپ الکترونی دو بعدی استفاده کنند.

با این وجود این متد هنوز هم محدودیت هایی داشت. به گفته جانسون، یکی از مسائل کلیدی این است که این تکنیک در تمام ساختارهای سلولی به کار نمی آید، زیرا بعضی از آنها به سادگی در تصاویری با فرم های خاصی از میکروسکوپ ظاهر نمی شوند. به عنوان مثال، در مطالعه اخیر خود، الگوریتم در شناسایی چند ساختار در تصاویر با زمینه روشن مشکلاتی داشت که می توان ساختارهای Golgi و Desmosomes را نام برد که پیوند هایی هستند که سلول ها را با هم نگه می دارد.

یکی دیگر از محدودیت ها این است که در حالی که این ابزار نیاز به یک مجموعه طراحی نسبتا کوچکی دارد، مدلی که برای تصاویری از یک میکروسکوپ طراحی شده است ممکن است بر روی تصاویری که از تلسکوپ های دیگر جمع آوری شده اند کار نکند.

با این وجود این متد هنوز هم محدودیت هایی داشت. به گفته جانسون، یکی از مسائل کلیدی این است که این تکنیک در تمام ساختارهای سلولی به کار نمی آید، زیرا بعضی از آنها به سادگی در 

من فکر می کنم چیز جالبی

که در مورد این تکنولوژی

وجود دارد این است که

می توان آن را به طور

گسترده ای مورد استفاده

قرار داد.

– استیو فینک بینر، موسسه Gladstone

تصاویری با فرم های خاصی از میکروسکوپ ظاهر نمی شوند. به عنوان مثال، در مطالعه اخیر خود، الگوریتم در شناسایی چند ساختار در تصاویر با زمینه روشن مشکلاتی داشت که می توان ساختارهای Golgi و Desmosomes را نام برد که پیوند هایی هستند که سلول ها را با هم نگه می دارد.

یکی دیگر از محدودیت ها این است که در حالی که این ابزار نیاز به یک مجموعه طراحی نسبتا کوچکی دارد، مدلی که برای تصاویری از یک میکروسکوپ طراحی شده است ممکن است بر روی تصاویری که از تلسکوپ های دیگر جمع آوری شده اند کار نکند.

 تیم در حال حاضر به بررسی برخی از کاربردهای بالقوه این تکنیک می پردازد. هوریتز معتقد است که علاوه بر اینکه این ابزار می تواند مطالعات تصویربرداری را سریع تر و ارزان تر انجام دهد، این ابزار در نهایت می تواند در فرآیند آسیب شناسی ( پاتولوژی ) به کار برود تا بتواند به شناسایی سلول های بیمار یا تعیین سریع این که ساختارهای سلولی چگونه تغییر می کنند در ایالت هایی که بیماری در آن ها شیوع کرده به عنوان ابزاری کمکی مورد استفاده قرار بگیرد.

گروه دیگری که شامل استیو فینک بینر، دانشمند عصب شناسی در موسسه گلادستون در دانشگاه کالیفرنیای ایالت سان فرانسیسکو و همکارانش در گوگل، در سال گذشته یک تکنیک علامت گذاری سلولی مشابه مبتنی بر AI را توسعه دادند. فینک بینر می گوید: “من فکر می کنم چیز جالبی که در مورد این تکنولوژی وجود دارد این است که می توان آن را به طور گسترده ای مورد استفاده قرار داد، و من فکر نمی کنم که تا به حال محدودیت هایی که این تکنولوژی می تواند داشته باشد به چشم نیامده باشند. “

بوچرون یادآور می شود که او در حال حاضر در حال بررسی کاربردهای این روش های مبتنی بر AI به منظور تجزیه و تحلیل تصاویر در هر دو رشته زیست شناسی و نجوم است – رشته دیگری  که در آن محقق متکی به ابزارهای مختلفی برای ضبط و تجزیه و تحلیل پدیده های طبیعی است. او توضیح می دهد: ” من مقدار کمی هم با داده های نجومی کار می کنم، و به ویژه با تصاویر خورشیدی. من برای چندین سال به دنبال روش هایی برای انطباق برخی از ابزارهای مختلف استفاده شده برای تصویربرداری از خورشید بوده ام.”

هوریتز می گوید: به کار گیری رویکرد یادگیری عمیق در راستای تجزیه و تحلیل تصاویر، هر کجا که از یک میکروسکوپ یا تلسکوپ استفاده می شود می تواند مفید باشد. مطالعه ای که اخیرا در این زمینه انجام شده ” تنها نوک کوه یخ ” است.

بیشتر بخوانید : 

منبع The Scientis

درباره‌ی احمدرضا جعفری

همچنین ببینید

شبکه های عصبی و یادگیری عمیق

شبکه های عصبی مصنوعی و یادگیری عمیق

از زمان پیدایش کامپیوتر ها و مطرح شدن تکنولوژی به طور عمومی، ایده ساخت سیستم …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *