Los investigadores del Centro Donnelly han desarrollado un algoritmo de aprendizaje profundo que puede rastrear proteínas, para ayudar a revelar qué hace que las células sean saludables y qué sale mal en la enfermedad.
"Podemos aprender mucho mirando imágenes de células: ¿cómo se ve la proteína en condiciones normales y si se ven diferentes en las células que portan mutaciones genéticas o cuando exponemos las células a drogas u otros reactivos químicos? Las personas han intentadoevalúa manualmente lo que está sucediendo con sus datos, pero eso lleva mucho tiempo ", dice Benjamin Grys, un estudiante graduado en genética molecular y coautor del estudio.
Apodado DeepLoc, el algoritmo puede reconocer patrones en la célula hechos por proteínas mejor y mucho más rápido que el ojo humano o los enfoques basados en la visión por computadora anteriores. En la historia de portada del último número de Biología de sistemas moleculares , equipos liderados por los profesores Brenda Andrews y Charles Boone del Centro Donnelly y el Departamento de Genética Molecular, también describen la capacidad de DeepLoc para procesar imágenes de otros laboratorios, lo que ilustra su potencial para un uso más amplio.
Desde autos sin conductor hasta computadoras que pueden diagnosticar cáncer, la inteligencia artificial IA está dando forma al mundo de formas difíciles de predecir, pero para los biólogos celulares, el cambio no pudo llegar lo suficientemente pronto. Gracias a la nueva y totalmente automatizadamicroscopios, los científicos pueden recopilar resmas de datos más rápido de lo que pueden analizarlo.
"En este momento, solo toma días o semanas adquirir imágenes de células y meses o años analizarlas. El aprendizaje profundo finalmente reducirá la escala de tiempo de este análisis a la misma escala de tiempo que los experimentos", dice Oren Kraus, uncoautor principal del artículo y un estudiante de posgrado co-supervisado por Andrews y el profesor Brendan Frey del Centro Donnelly y el Departamento de Ingeniería Eléctrica e Informática. Andrews, Boone y Frey también son miembros senior del Instituto Canadiense de Investigación Avanzada.
Al igual que otros tipos de IA, en los que las computadoras aprenden a reconocer patrones en los datos, DeepLoc fue entrenado para reconocer diversas formas hechas por proteínas brillantes, etiquetadas con una etiqueta fluorescente que las hace visibles, en las células. Pero a diferencia de la visión por computadora,requiere instrucciones detalladas, DeepLoc aprende directamente de los datos de píxeles de la imagen, lo que lo hace más preciso y más rápido.
Grys y Kraus entrenaron a DeepLoc en los datos publicados previamente por los equipos que muestran un área en la célula ocupada por más de 4,000 proteínas de levadura, tres cuartos de todas las proteínas en la levadura. Este conjunto de datos sigue siendo el mapa más completo que muestra la posición exacta de ungran mayoría de proteínas en cualquier célula. Cuando se lanzó por primera vez en 2015, el análisis se realizó con una compleja visión de computadora y una tubería de aprendizaje automático que tardó meses en completarse. DeepLoc procesó los datos en cuestión de horas.
DeepLoc pudo detectar diferencias sutiles entre imágenes similares. El análisis inicial identificó 15 clases diferentes de proteínas, cada una representando vecindades distintas en la célula; DeepLoc identificó 22 clases. También fue capaz de clasificar células cuya forma cambió debido a una hormonatratamiento, una tarea que la tubería anterior no pudo completar.
Grys y Kraus pudieron volver a capacitar rápidamente a DeepLoc con imágenes que diferían del conjunto de entrenamiento original, lo que demuestra que se puede usar para procesar datos de otros laboratorios. Esperan que otros en el campo, donde todavía se vean las imágenes a simple vistala norma, adoptará su método.
"Alguien con algo de experiencia en codificación podría implementar nuestro método. Todo lo que tendrían que hacer es alimentar el conjunto de entrenamiento de imágenes que hemos proporcionado y complementarlo con sus propios datos. Solo se necesita una hora o menos para volver a entrenar DeepLoc yentonces comience su análisis ", dice Grys.
Además de compartir DeepLoc con la comunidad de investigación, Kraus está trabajando con Jimmy Ba para comercializar el método a través de una nueva puesta en marcha, AI Fenómica. Ba es un estudiante graduado del pionero de la IA Geoffrey Hinton, un profesor retirado de la Universidad de Texas y TAsesor científico principal del recientemente creado Vector Institute. Su objetivo es analizar los datos basados en imágenes celulares para las compañías farmacéuticas.
"En una pantalla de drogas basada en imágenes, puede descubrir cómo los medicamentos están afectando a las diferentes células en función de cómo se ven en lugar de algunos parámetros simplificados como vivo / muerto o tamaño de la celda. De esta manera puede extraer mucha más informaciónsobre el estado celular de estas pantallas. Esperamos que el proceso de descubrimiento temprano de fármacos sea aún más preciso al encontrar efectos más sutiles de los compuestos químicos ", dice Kraus.
Fuente de la historia :
Materiales proporcionado por Universidad de Toronto . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :