Forskare vid University of North Carolina i Chapel Hill har skapat en ny metod för partikelspårning baserad på maskininlärning som är mycket mer exakt och ger bättre automatisering än tekniker som för närvarande används.

Enpartikelspårning innebär spårning av enskilda partiklar, som virus, celler och läkemedelsladdade nanopartiklar, inom vätskor och biologiska prover. Tekniken används flitigt inom både fysik och biovetenskap. Teamet på UNC-Chapel Hill som utvecklade den nya spårningsmetoden använder partikelspårning för att utveckla nya sätt att behandla och förebygga infektionssjukdomar. De undersöker molekylära interaktioner mellan antikroppar och biopolymerer och karaktäriserar och designar nanostora läkemedelsbärare. Deras arbete publiceras i Förfaranden från Nationals Academy of Scientists .

"För att få betydelse från videor, du måste konvertera videorna till kvantitativ data, "sa Sam Lai, Ph.D., en docent vid UNC Eshelman School of Pharmacy och en av skaparna av den nya spåraren. "Med nuvarande programvara, forskare måste noga övervaka videokonverteringen för att säkerställa noggrannhet. Detta tar ofta många veckor till månader, och begränsar kraftigt både genomströmningen och noggrannheten.

"Vi tröttnade på flaskhalsen."

Problemets rot kan härledas till det lilla antalet parametrar, såsom partikelstorlek, ljusstyrka och form, används av nuvarande programvara för att identifiera hela partiklarna som finns i alla videor. Saker missas eftersom de inte riktigt passar parametrarna, och parametrarna varierar när olika operatörer ställer in dem, Alison Schaefer, en doktorsexamen student i Lai -labbet, sa. Detta skapar en enorm utmaning med datareproducerbarhet, eftersom två användare som analyserar samma video ofta får olika resultat.

"Självkörande bilar fungerar för att de kan se och hålla reda på många olika föremål runt dem i realtid, "sade M. Gregory Forest, Ph.D., Grant Dahlstrom Distinguished Professor vid UNC -institutionerna för matematik och tillämpad fysikalisk vetenskap, och medförfattare till projektet.

"Vi undrade om vi kunde skapa en version av den typen av artificiell intelligens som kunde spåra tusentals nanoskala partiklar samtidigt och göra det automatiskt."

Som det visar sig, de kunde och använde sin upptäckt för att lansera Chapel Hill-baserade AI Tracking Solutions, som försöker kommersialisera den nya tekniken. Företaget har fått ett Small Business Technology Transfer -pris från National Institutes of Health för att kommersialisera tekniken.

Lai och hans medarbetare vid UNC Department of Mathematics utformade ett artificiellt neuralt nätverk för att arbeta med deras problem. Neurala nätverk är löst baserade på den mänskliga hjärnan men lär sig genom att matas med ett stort antal exempel. Till exempel, om ett neuralt nätverk behöver känna igen foton på hundar, det visas massor av foton på hundar. Det behöver inte veta hur en hund ser ut; det kommer att räkna ut det från de gemensamma elementen i fotografierna. Ju bättre exempel, desto bättre blir det neurala nätverket.

UNC-teamet lärde först den neurala nätverksspåraren från en sanningsuppsättning datorgenererad data. De förädlade sedan spåraren ytterligare med hjälp av högkvalitativa data från tidigare experiment utförda i Lai's lab. Resultatet blev en ny tracker med tusentals välinställda parametrar som kan bearbeta ett mycket varierat utbud av videor helt automatiskt, är minst 10 gånger mer exakt än de system som för närvarande används, är mycket skalbar, och har perfekt reproducerbarhet, Sa Lai. Teamet dokumenterade sin prestation i Proceedings of the National Academy of Sciences.

Det nya systemet är redo i tid för att stödja den ökande tillgängligheten av kraftfulla mikroskop som kan samla terabyte med högupplöst 2-D och 3-D-video på en enda dag, sa Jay Newby, Ph.D., huvudförfattare till studien och en biträdande professor vid University of Alberta.

"Att spåra rörelsen av nanometerskaliga partiklar är avgörande för att förstå hur patogener bryter mot slemhinnebarriärer och för utformningen av nya läkemedelsbehandlingar, "Newby sa." Vårt framsteg ger, först och främst, väsentligt förbättrad automatisering. Dessutom, vår metod förbättrar avsevärt noggrannheten jämfört med nuvarande metoder och reproducerbarhet mellan användare och laboratorier. "