機械学習による生物学的画像解析向上:超解像顕微鏡を高速化するアルゴリズム

機械学習による生物学的画像解析向上:超解像顕微鏡を高速化するアルゴリズム テクノロジー

科学者たちは、超解像顕微鏡を使って、これまで知られていなかった細胞の世界を研究し、細胞内のナノメートル単位の詳細を明らかにしています。この方法は光学顕微鏡に革命をもたらし、発明者は2014年にノーベル化学賞を受賞しました。今回、エバーハルト・カール大学テュービンゲンのAI研究者たちは、国際共同研究により、この技術を大幅に加速するアルゴリズムを開発しました。

単一分子局在化顕微鏡法(SMLM)は、超解像顕微鏡法の一種です。SMLMでは、目的のタンパク質を蛍光分子で標識し、光を使って一度に数個の分子だけを活性化させます。この方法では、同じサンプルの複数の画像を取得することができます。意味のある画像を作成するには、コンピュータプログラムがデータを解読し、完全な画像を編集します。この技術は、分子の位置を高い精度で特定できる反面、大量の画像を取得しなければならず、作業に非常に時間がかかるという大きな欠点があります。

チュービンゲン大学のJakob Macke教授(科学における機械学習担当)のチームは、国際的な共同研究により、SMLMのこの限界を克服する新しいアルゴリズムを開発しました。欧州分子生物学研究所(EMBL)ハイデルベルクのRiesグループおよびジャネリア・リサーチ・キャンパス(米国バージニア州)のSrinivas Turaga博士のチームとの共同研究成果は、Nature Methodsに掲載されました。

深層学習により高精度な単一分子の局在化を実現

深層学習により高精度な単一分子の局在化を実現

SMLMで撮影されたCOS-7細胞©Artur Speiser et. al., Wesley Legant et. al.

DECODE(DEep COntext DEpendent)アルゴリズムは、学習データから学習するニューラルネットワークを用いたディープラーニング(深層学習)に基づいています。しかし、今回は実際の画像ではなく、数値シミュレーションによって生成された合成データを用いてネットワークを学習させています。研究者たちは、顕微鏡のセットアップやイメージングの物理的な情報を組み込むことで、実際の撮影に近いシミュレーションを実現しました。

「シミュレーションデータを用いて学習したニューラルネットワークは、実際の画像でも蛍光体を検出・局在化させることができます。」と、Lucas-Raphael Müller氏とともに論文の主執筆者であるArtur Speiser氏は説明します。

DECODEの利点の一つは、従来よりも高い密度で蛍光体を正確に検出し、局在化させることができることです。これは、1サンプルあたりに必要な画像数が少なくて済むことを意味します。その結果、解像度の低下を最小限に抑えながら、イメージング速度を10倍にまで高めることができます。さらに、DECODEは不確実性を定量化することができるため、ネットワーク自身が、自分の位置がわからなくなったときにそれを検知することができます。

学際性が研究の視野を広げる

この研究は、我々のクラスター・オブ・エクセレンス『機械学習』のアプローチを示すものです。

チュービンゲンのクラスターに所属するMacke教授は、「今回の研究は、私たちのクラスター・オブ・エクセレンス『機械学習:科学のための新しい視点』のアプローチを示すものです。私たちはもともと、機械学習の基礎となるアイデアをまったく別の文脈で開発していましたが、計算顕微鏡学の専門家と協力することで、SMLMデータを分析するための強力な手法に変えることができました。」と述べています。

研究チームは、DECODEアルゴリズムを実装したソフトウェアパッケージも構築しました。

EMBLのJonas Ries博士は、「このソフトウェアはインストールが簡単で、無料で使用できますので、将来的に多くの科学者の役に立つことを期待しています」と付け加えています。

Published by University of Tübingen, Journal:Nature Methods(Deep learning enables fast and dense single-molecule localization with high accuracy (2021))

コメント

タイトルとURLをコピーしました