L'apprentissage automatique génère des images de protéines en 5D

L’apprentissage automatique génère des images de protéines en 5D

Optics Express (2022). DOI : 10.1364/OE.470146″ width= »800″ height= »530″>

Estimation des orientations 3D et des positions 2D de molécules simples (SM) à l’aide de Deep-SMOLM. Le crédit: Optique Express (2022). DOI : 10.1364/OE.470146

En combinant l’apprentissage automatique avec les lois de la physique, les chercheurs du laboratoire de Matthew Lew, professeur agrégé d’ingénierie électrique et des systèmes à l’Université de Washington à St. Louis, ont pu trier l’orientation et la position des molécules simples qui se chevauchent en 5D à partir de une seule image.

Leur recherche a été publiée le 26 septembre dans la revue Optique Express.

Les cinq dimensions en question ne sont pas des dimensions spatiales nouvelles ou cachées. Au lieu de cela, une équipe dirigée par Tingting Wu, un Ph.D. étudiant dans le programme de sciences de l’imagerie de la McKelvey School of Engineering, a pu concevoir un système capable de dire l’orientation d’une molécule dans l’espace 3D ainsi que sa position en 2D : cinq paramètres à partir d’une seule image pixelisée et bruitée.

Pour extraire ces informations complexes supplémentaires d’un point de lumière apparemment simple, l’équipe a conçu un algorithme d’apprentissage automatique, mais a ajouté une étape supplémentaire.

« Beaucoup de gens utilisent l’IA de bout en bout », a déclaré Wu. « Insérez simplement ce que vous avez et demandez au réseau de neurones de vous donner ce que vous voulez. » Elle a décidé de diviser le problème en deux étapes pour alléger la charge sur l’algorithme, le rendant plus robuste.

Le type d’imagerie réalisée dans le laboratoire Lew – de molécules uniques – a tendance à être très « bruyant », contenant des « taches » ou des fluctuations qui peuvent obscurcir une image. Pour la plupart des réseaux de neurones d’apprentissage automatique, a déclaré Lew, « il peut être très compliqué d’apprendre à gérer vigoureusement ce type de bruit ».

L'apprentissage automatique génère des images de protéines en 5D

Protéines amyloïdes. Leurs longueurs et directions indiquent l’amplitude de leurs orientations dans le plan et leurs orientations, respectivement. Crédit : Lew Lab

Les humains, cependant, ont déjà appris comment les signaux des molécules d’intérêt et ce bruit sont combinés dans des images de microscope. Au lieu de demander à l’algorithme de réapprendre les lois de la physique, l’équipe a ajouté un deuxième algorithme de « post-traitement », un calcul simple qui appliquait ces lois physiques aux résultats du premier algorithme.

« C’est comme si j’avais séparé deux problèmes en deux algorithmes », a déclaré Wu.

Après avoir traité des milliers d’instantanés, le résultat, a déclaré Wu, est une « belle image » qui utilise la couleur, la courbure et la direction pour indiquer comment des milliers de molécules sont connectées les unes aux autres.

En fin de compte, ce système pourra aider les chercheurs à mieux comprendre les processus biologiques à des échelles minuscules, comme la manière dont les protéines amyloïdes s’assemblent pour former les structures enchevêtrées associées à la maladie d’Alzheimer.

Fourni par l’Université de Washington à St. Louis