Un team di ricerca dell'UCLA ha ideato una tecnica che estende le capacità della microscopia a fluorescenza, che consente agli scienziati di etichettare con precisione parti di cellule e tessuti viventi con coloranti che brillano sotto una luce speciale. I ricercatori usano l'intelligenza artificiale per trasformare le immagini bidimensionali in pile di sezioni tridimensionali virtuali che mostrano l'attività all'interno degli organismi.

In uno studio pubblicato su Metodi della natura , gli scienziati hanno anche riferito che il loro quadro, chiamato "Deep-Z, " è stato in grado di correggere errori o aberrazioni nelle immagini, come quando un campione è inclinato o curvo. Ulteriore, hanno dimostrato che il sistema potrebbe prendere immagini 2-D da un tipo di microscopio e creare virtualmente immagini 3-D del campione come se fossero ottenute da un altro, microscopio più avanzato.

"Si tratta di un nuovo metodo molto potente, reso possibile dal deep learning per eseguire l'imaging 3D di campioni vivi, con la minima esposizione alla luce, che può essere tossico per i campioni, ", ha affermato l'autore senior Aydogan Ozcan, Professore del Cancelliere dell'UCLA di ingegneria elettrica e informatica e direttore associato del California NanoSystems Institute presso l'UCLA.

Oltre a risparmiare ai campioni dosi di luce potenzialmente dannose, questo sistema potrebbe offrire ai biologi e ai ricercatori di scienze della vita un nuovo strumento per l'imaging 3D più semplice, più veloce e molto meno costoso dei metodi attuali. L'opportunità di correggere le aberrazioni può consentire agli scienziati che studiano organismi vivi di raccogliere dati da immagini che altrimenti sarebbero inutilizzabili. Gli investigatori potrebbero anche ottenere l'accesso virtuale ad apparecchiature costose e complicate.

Questa ricerca si basa su una tecnica precedente che Ozcan e i suoi colleghi hanno sviluppato che ha permesso loro di rendere le immagini del microscopio a fluorescenza 2-D in super-risoluzione. Entrambe le tecniche fanno progredire la microscopia basandosi sull'apprendimento profondo, utilizzando i dati per "addestrare" una rete neurale, un sistema informatico ispirato al cervello umano.

Deep-Z è stato insegnato utilizzando immagini sperimentali da un microscopio a fluorescenza a scansione, che scatta immagini focalizzate a più profondità per ottenere l'imaging 3D dei campioni. In migliaia di sessioni di allenamento, la rete neurale ha imparato come acquisire un'immagine 2-D e dedurre sezioni 3-D accurate a diverse profondità all'interno di un campione. Quindi, il framework è stato testato alla cieca, alimentato con immagini che non facevano parte della sua formazione, con le immagini virtuali confrontate con le fettine 3D reali ottenute da un microscopio a scansione, fornendo una corrispondenza eccellente.

Ozcan e i suoi colleghi hanno applicato Deep-Z alle immagini di C. elegans, un nematode che è un modello comune nelle neuroscienze a causa del suo sistema nervoso semplice e ben compreso. Conversione di un filmato 2-D di un worm in 3-D, fotogramma per fotogramma, i ricercatori sono stati in grado di monitorare l'attività dei singoli neuroni all'interno del corpo del verme. E partendo da una o due immagini 2-D di C. elegans scattate a diverse profondità, Deep-Z ha prodotto immagini virtuali 3D che hanno permesso al team di identificare i singoli neuroni all'interno del worm, corrispondenza dell'uscita 3-D di un microscopio a scansione, tranne che con un'esposizione alla luce molto inferiore all'organismo vivente.

I ricercatori hanno anche scoperto che Deep-Z poteva produrre immagini 3D da superfici 2D in cui i campioni erano inclinati o curvi, anche se la rete neurale era stata addestrata solo con sezioni 3D perfettamente parallele alla superficie del campione.

"Questa funzione è stata in realtà molto sorprendente, " disse Yichen Wu, uno studente laureato UCLA che è co-primo autore della pubblicazione. "Con esso, puoi vedere attraverso la curvatura o un'altra topologia complessa che è molto difficile da immaginare."

In altri esperimenti, Deep-Z è stato addestrato con immagini provenienti da due tipi di microscopi a fluorescenza:wide-field, che espone l'intero campione a una sorgente luminosa; e confocale, che utilizza un laser per scansionare un campione parte per parte. Ozcan e il suo team hanno dimostrato che la loro struttura potrebbe quindi utilizzare immagini del microscopio a campo largo 2-D di campioni per produrre immagini 3-D quasi identiche a quelle scattate con un microscopio confocale.

Questa conversione è preziosa perché il microscopio confocale crea immagini più nitide, con più contrasto, rispetto al campo ampio. D'altra parte, il microscopio ad ampio campo cattura le immagini a una spesa minore e con meno requisiti tecnici.

"Si tratta di una piattaforma generalmente applicabile a varie coppie di microscopi, non solo la conversione da ampio campo a confocale, " ha detto il co-primo autore Yair Rivenson, UCLA assistente professore a contratto di ingegneria elettrica e informatica. "Ogni microscopio ha i suoi vantaggi e svantaggi. Con questo quadro, puoi ottenere il meglio da entrambi i mondi utilizzando l'intelligenza artificiale per collegare digitalmente diversi tipi di microscopi."

Altri autori sono gli studenti laureati Hongda Wang e Yilin Luo, borsista postdottorato Eyal Ben-David e Laurent Bentolila, direttore scientifico dell'Advanced Light Microscopy and Spectroscopy Laboratory del California NanoSystems Institute, tutto l'UCLA; e Christian Pritz dell'Università Ebraica di Gerusalemme in Israele.