Ricerca

Ricerca: ll nuovo metodo che fornisce informazioni rapide e obiettive su come le cellule vengono modificate dalla malattia

Dr. Eric A. Vitriol
CREDITO: Michael Holahan, Università Augusta

Una nuova “linea di analisi delle immagini” sta offrendo agli scienziati nuove e rapide informazioni su come malattie o lesioni hanno cambiato il corpo, fino alla singola cellula.

Sostienici con un acquisto o donazione

Si chiama TDAExplore, che prende l’immagine dettagliata fornita dalla microscopia, la accoppia con un’area calda della matematica chiamata topologia, che fornisce informazioni su come sono disposte le cose e il potere analitico dell’intelligenza artificiale per dare, ad esempio, una nuova prospettiva su cambiamenti in una cellula derivanti dalla SLA e dove si verificano nella cellula, afferma il dott. Eric Vitriol , biologo cellulare e neuroscienziato presso il Medical College of Georgia .  

È una “opzione accessibile e potente” per utilizzare un personal computer per generare informazioni quantitative – misurabili e di conseguenza oggettive – da immagini microscopiche che probabilmente potrebbero essere applicate anche ad altre tecniche di imaging standard come i raggi X e le scansioni PET, riportano in la rivista Patterns .

“Pensiamo che questo sia un progresso entusiasmante nell’uso dei computer per darci nuove informazioni su come i set di immagini sono diversi l’uno dall’altro”, afferma Vitriol. “Quali sono gli effettivi cambiamenti biologici che stanno accadendo, compresi quelli che potrei non essere in grado di vedere, perché sono troppo piccoli o perché ho una sorta di pregiudizio su dove dovrei guardare”.

Almeno nel dipartimento di analisi dei dati, i computer fanno battere il nostro cervello, dice il neuroscienziato, non solo nella loro obiettività ma nella quantità di dati che possono valutare. La visione artificiale, che consente ai computer di estrarre informazioni dalle immagini digitali, è un tipo di apprendimento automatico che esiste da decenni, quindi lui e il suo collega e collega autore corrispondente Dr. Peter Bubenik , matematico dell’Università della Florida ed esperto sull’analisi dei dati topologici, ha deciso di associare il dettaglio della microscopia con la scienza della topologia e la potenza analitica dell’IA. Topology e Bubenik sono stati fondamentali, afferma Vitriol.

La topologia è “perfetta” per l’analisi delle immagini perché le immagini sono costituite da schemi, da oggetti disposti nello spazio, dice, e l’analisi dei dati topologici (la TDA in TDAExplore) aiuta il computer a riconoscere anche la disposizione del terreno, in questo caso dove actina – una proteina e un elemento costitutivo essenziale delle fibre, o filamenti, che aiutano a dare forma e movimento alle cellule, si è spostato o ha cambiato densità. È un sistema efficiente, che invece di prendere letteralmente centinaia di immagini per insegnare al computer a riconoscerle e classificarle, può imparare da 20 a 25 immagini.

Parte della magia è che il computer ora sta imparando le immagini in pezzi che chiamano patch. La suddivisione delle immagini al microscopio in questi pezzi consente una classificazione più accurata, un minore addestramento del computer su come appare “normale” e, in definitiva, l’estrazione di dati significativi, scrivono.

Senza dubbio la microscopia, che consente un esame ravvicinato di cose non visibili all’occhio umano, produce immagini belle e dettagliate e video dinamici che sono un pilastro per molti scienziati. “Non puoi avere un college di medicina senza sofisticate strutture di microscopia”, dice.

Ma per capire prima cosa è normale e cosa succede negli stati patologici, Vitriol ha bisogno di un’analisi dettagliata delle immagini, come il numero di filamenti; dove si trovano i filamenti nelle cellule – vicino al bordo, al centro, sparsi ovunque – e se alcune regioni cellulari ne hanno di più.

I modelli che emergono in questo caso gli dicono dove si trova l’actina e come è organizzata – un fattore importante nella sua funzione – e dove, come e se è cambiata con la malattia o il danno.

Mentre osserva il raggruppamento di actina attorno ai bordi di una cellula del sistema nervoso centrale, per esempio, l’assemblaggio gli dice che la cellula si sta espandendo, si muove e invia proiezioni che diventano il suo bordo principale. In questo caso, la cellula, che è stata essenzialmente dormiente in un piatto, può distendersi e allungare le gambe.

Alcuni dei problemi con gli scienziati che analizzano direttamente le immagini e calcolano ciò che vedono includono il fatto che richiede tempo e la realtà che anche gli scienziati hanno dei pregiudizi.

Ad esempio, e in particolare con così tante azioni in corso, i loro occhi possono atterrare sul familiare, nel caso di Vitriol, che agisce sul bordo anteriore di una cellula. Mentre guarda di nuovo la cornice scura intorno alla periferia della cellula che indica chiaramente il raggruppamento di actina lì, potrebbe implicare che è il principale punto di azione.

“Come faccio a sapere che quando decido cosa c’è di diverso che è la cosa più diversa o è proprio quello che volevo vedere?” lui dice. “Vogliamo portare l’obiettività del computer e vogliamo portare un grado più elevato di riconoscimento dei modelli nell’analisi delle immagini”.

È noto che l’intelligenza artificiale è in grado di “classificare” le cose, come riconoscere un cane o un gatto ogni volta, anche se l’immagine è sfocata, imparando prima molti milioni di variabili associate a ciascun animale finché non riconosce un cane quando ne vede uno, ma non può riportare perché è un cane. Questo approccio, che richiede così tante immagini per scopi di addestramento e ancora non fornisce molte statistiche sulle immagini, non funziona davvero per i suoi scopi, motivo per cui lui e i suoi colleghi hanno creato un nuovo classificatore che era limitato all’analisi dei dati topologici.

La linea di fondo è che l’accoppiamento unico utilizzato in TDAExplore dice in modo efficiente e obiettivo agli scienziati dove e quanto l’immagine della cellula perturbata differisce dall’addestramento, o normale, immagine, informazioni che forniscono anche nuove idee e direzioni di ricerca, dice.

Tornando all’immagine della cella che mostra il raggruppamento di actina lungo il suo perimetro, mentre il “bordo d’attacco” era chiaramente diverso con le perturbazioni, TDAExplore ha mostrato che alcuni dei più grandi cambiamenti erano effettivamente all’interno della cellula.

“Gran parte del mio lavoro è cercare di trovare modelli in immagini difficili da vedere”, afferma Vitriol, “Perché ho bisogno di identificare quei modelli in modo da poter trovare un modo per ottenere numeri da quelle immagini”. Le sue linee di fondo includono capire come funziona il citoscheletro di actina, di cui i filamenti forniscono l’impalcatura e che a sua volta fornisce supporto per i neuroni, e cosa va storto in condizioni come la SLA.

Alcuni di quei modelli di apprendimento automatico che richiedono centinaia di immagini per addestrare e classificare le immagini non descrivono quale parte dell’immagine ha contribuito alla classificazione, scrivono gli investigatori. Tali enormi quantità di dati che necessitano di analisi e potrebbero includere come 20 milioni di variabili, richiedono un super computer. Il nuovo sistema necessita invece di relativamente poche immagini ad alta risoluzione e caratterizza le “toppe” che hanno portato alla classificazione prescelta. In una manciata di minuti, il personal computer standard dello scienziato può completare la nuova pipeline di analisi delle immagini.  

L’approccio unico utilizzato in TDAExplore dice oggettivamente agli scienziati dove e quanto l’immagine perturbata differisce dall’immagine di addestramento, informazioni che forniscono anche nuove idee e direzioni di ricerca, dice.

La capacità di ottenere maggiori e migliori informazioni dalle immagini significa in definitiva che le informazioni generate da scienziati di base come Vitriol, che spesso alla fine modificano ciò che è considerato i fatti di una malattia e il modo in cui viene trattata, sono più accurate. Ciò potrebbe includere la capacità di riconoscere cambiamenti, come quelli indicati dal nuovo sistema all’interno della cellula, che in precedenza erano stati trascurati.

Attualmente gli scienziati applicano le macchie per consentire un migliore contrasto, quindi utilizzano il software per estrarre informazioni su ciò che vedono nelle immagini, come il modo in cui l’actina è organizzata in una struttura più grande, dice.

“Dovevamo trovare un nuovo modo per ottenere dati rilevanti dalle immagini ed è di questo che tratta questo documento”.

Lo studio pubblicato fornisce tutti i pezzi per altri scienziati per utilizzare TDAExplore.

La ricerca è stata supportata dal National Institutes of Health.

Leggi lo studio completo .

Sostienici con un acquisto o donazione
Sostienici con un acquisto o donazione

Categorie:Ricerca, Tecno

Con tag:,

Rispondi

Questo sito usa Akismet per ridurre lo spam. Scopri come i tuoi dati vengono elaborati.