Gli scienziati dell'Università della Carolina del Nord a Chapel Hill hanno creato un nuovo metodo di tracciamento delle particelle basato sull'apprendimento automatico che è molto più accurato e fornisce una migliore automazione rispetto alle tecniche attualmente in uso.

Il tracciamento di singole particelle implica il tracciamento del movimento delle singole particelle, come virus, cellule e nanoparticelle caricate di farmaci, all'interno di fluidi e campioni biologici. La tecnica è ampiamente utilizzata sia nelle scienze fisiche che in quelle della vita. Il team dell'UNC-Chapel Hill che ha sviluppato il nuovo metodo di tracciamento utilizza il tracciamento delle particelle per sviluppare nuovi modi per trattare e prevenire le malattie infettive. Esaminano le interazioni molecolari tra anticorpi e biopolimeri e caratterizzano e progettano vettori di farmaci di dimensioni nanometriche. Il loro lavoro è pubblicato nel Atti della Nationals Academy of Scientists .

"Per trarre significato dai video, devi convertire i video in dati quantitativi, " ha detto Sam Lai, dottorato di ricerca, un professore associato presso l'UNC Eshelman School of Pharmacy e uno dei creatori del nuovo tracker. "Con il software attuale, i ricercatori devono supervisionare attentamente la conversione video per garantire l'accuratezza. Questo spesso richiede molte settimane o mesi, e limitano notevolmente sia la produttività che la precisione.

"Ci siamo stancati del collo di bottiglia."

La radice del problema può essere rintracciata nel piccolo numero di parametri, come la dimensione delle particelle, luminosità e forma, utilizzato dal software attuale per identificare l'intera gamma di particelle presenti in qualsiasi video. Le cose vengono perse perché non si adattano perfettamente ai parametri, e i parametri variano man mano che i diversi operatori li impostano, Alison Schäfer, un dottorato di ricerca studente del laboratorio Lai, disse. Ciò crea una sfida enorme con la riproducibilità dei dati, poiché due utenti che analizzano lo stesso video ottengono spesso risultati diversi.

"Le auto a guida autonoma funzionano perché possono vedere e tenere traccia di molti oggetti diversi intorno a loro in tempo reale, " disse M. Gregory Forest, dottorato di ricerca, il Grant Dahlstrom Distinguished Professor nei Dipartimenti UNC di Matematica e Scienze Fisiche Applicate, e co-autore senior del progetto.

"Ci siamo chiesti se potevamo creare una versione di quel tipo di intelligenza artificiale in grado di tracciare migliaia di particelle su scala nanometrica contemporaneamente e farlo automaticamente".

Come risulta, hanno potuto e hanno usato la loro scoperta per lanciare soluzioni di tracciamento AI basate su Chapel Hill, che sta cercando di commercializzare la nuova tecnologia. L'azienda ha ricevuto un premio Small Business Technology Transfer dal National Institutes of Health per commercializzare la tecnologia.

Lai e i suoi collaboratori del Dipartimento di Matematica dell'UNC hanno progettato una rete neurale artificiale per lavorare sul loro problema. Le reti neurali sono vagamente basate sul cervello umano, ma imparano ricevendo un gran numero di esempi. Per esempio, se una rete neurale ha bisogno di riconoscere le foto dei cani, vengono mostrate molte foto di cani. Non ha bisogno di sapere che aspetto ha un cane; lo capirà dagli elementi comuni delle fotografie. Migliori sono gli esempi, migliore sarà la rete neurale.

Il team dell'UNC ha prima insegnato il tracker della rete neurale da una serie di dati generati dal computer. Hanno quindi perfezionato ulteriormente il tracker utilizzando dati di alta qualità provenienti da esperimenti passati condotti nel laboratorio di Lai. Il risultato è stato un nuovo tracker con migliaia di parametri ben sintonizzati in grado di elaborare una gamma molto diversificata di video in modo completamente automatico, è almeno 10 volte più preciso dei sistemi attualmente in uso, è altamente scalabile, e possiede una perfetta riproducibilità, disse Lai. Il team ha documentato il loro successo negli Atti della National Academy of Sciences.

Il nuovo sistema è pronto appena in tempo per supportare la crescente disponibilità di potenti microscopi in grado di raccogliere terabyte di video 2-D e 3-D ad alta risoluzione in un solo giorno, ha detto Jay Newby, dottorato di ricerca, autore principale dello studio e assistente professore presso l'Università di Alberta.

"Il monitoraggio del movimento delle particelle su scala nanometrica è fondamentale per comprendere come i patogeni infrangono le barriere della mucosa e per la progettazione di nuove terapie farmacologiche, " Newby ha detto. "Il nostro avanzamento prevede, innanzitutto, automazione notevolmente migliorata. Inoltre, il nostro metodo migliora notevolmente l'accuratezza rispetto ai metodi attuali e la riproducibilità tra utenti e laboratori."