Forskare vid University of Illinois Urbana Champaign har utvecklat en ny teknik som kombinerar etikettfri avbildning med artificiell intelligens för att visualisera omärkta levande celler under en längre tid. Denna teknik har potentiella tillämpningar för att studera cellviabilitet och patologi.

Studien "Phase imaging with computational specificity (PICS) for measuring dry mass change in subcellular compartments" publicerades i Naturkommunikation .

"Vårt labb är specialiserat på etikettfri bildbehandling, som gör att vi kan visualisera celler utan att använda giftiga kemikalier, sade Gabriel Popescu, en professor i elektro- och datorteknik och chef för Quantitative Light Imaging Laboratory vid Beckman Institute for Advanced Science and Technology. "Dock, vi kan inte mäta specifika egenskaper hos cellen utan att använda giftiga fluorescerande färgämnen. Vi har löst det problemet i den här studien."

"Vi hade den här idén att beräkningsmetoder kunde uppskatta hur provet skulle se ut utan att faktiskt döda cellerna, sade Mikhail Kandel, en doktorand i Popescu-gruppen.

Forskarna avbildade först cellerna under flera dagar med deras icke-förstörande etikettfria teknik. I slutet av experimentet, de färgade proverna och använde djupinlärning, som är en delmängd av maskininlärning, för att lära sig var fluorescensfärgämnena skulle sitta. "Detta låter oss uppskatta fläcken i våra första filmer utan att faktiskt färga cellerna, " sa Kandel.

"Även om AI har använts tidigare för att skapa en typ av bild från en annan typ av färgning, vi kunde programmera den för att analysera bilderna i realtid, " sa Popescu. "Med hjälp av djupinlärning, vi kunde titta på celler som aldrig hade märkts med något färgämne, och algoritmen kunde exakt lokalisera olika delar av cellen."

"En annan fördel med tekniken är att vi kan utföra experiment under många dagar. Cellerna förblir vid liv även efter mer än en vecka, sade Yuchen He, en doktorand i Popescu-gruppen. "Detta kan inte göras med fluorescerande färgämnen eftersom den kemiska toxiciteten kan döda cellerna."

"Denna studie belyste potentialen hos AI-baserade tekniker för att lära sig komplicerade modeller som koncentrationen av specifika färgämnen, som går utöver det blotta ögat, " Sa Kandel. "Ju mer vi kan lära vår metod att känna igen mönster, desto fler typer av experiment kan utföras utan att tillgripa att döda cellerna."

Forskarna försöker nu anpassa algoritmer för djupinlärning över olika cellinjer och biologiska prover. "Att träna modeller för djupinlärning kräver en stor mängd data eftersom vi vill säkerställa att de fungerar bra i olika scenarier. Som tur är, våra bildinstrument gör det enkelt för oss att generera nödvändig träningsdata på ett effektivt sätt, " Han sa.

"Dessa djupinlärningsalgoritmer kan användas för flera applikationer, " sade Popescu. "Vi kan bedöma cellviabiliteten under lång tid utan att märka cellerna, vi kan skilja mellan olika celltyper i sjukdomar, och vi kan studera olika cellulära processer."