從樣品制備到圖像采集,電子顯微鏡(EM)需要精確且耗時的步驟才能產(chǎn)生清晰可見的細節(jié),從而以高分辨率可視化小型細胞結(jié)構(gòu)。此外,一旦創(chuàng)建了EM圖像,通過分析從其中提取生物學信息可能是一項更加費力且耗時的任務。特別是因為當前的EM分析軟件通常需要科學家的熟練技術(shù)才能手動查看數(shù)百幅圖像。
借助馬克斯·普朗克佛羅里達神經(jīng)科學研究所(MPFI)的跨學科研究團隊的獨創(chuàng)性和尖端神經(jīng)網(wǎng)絡的應用,他們創(chuàng)建了旨在簡化部分冗長過程的新型強大分析軟件。與電子顯微鏡核心設施和科視實驗室合作,該項目要求兩名高中生極大地改進了已建立的基于計算機的技術(shù),用于分析EM圖像中的蛋白質(zhì)分布。與使用熒光標記的傳統(tǒng)光學顯微鏡不同,EM要求蛋白質(zhì)用金納米顆粒標記,以便在細胞內(nèi)可視化它們。該軟件被戲稱為“ Gold Digger”,它使用深度學習方法來識別與特定目標蛋白質(zhì)結(jié)合的金顆粒。
MPFI團隊在《科學報告》的新出版物中設計了一種可適應的,基于深度學習的算法,能夠準確識別不同大小的金顆粒。這種完全自動化的方法將加快計數(shù)過程,并生成跨膜的蛋白質(zhì)分布的更精確的位置信息,從而加快新的突破。
深度學習或神經(jīng)網(wǎng)絡是一種計算策略,可讓軟件隨著時間的推移逐步學習。就像人的大腦一樣,這些類型的算法能夠?qū)⒁曈X場景分解為各個組成部分,并被教導識別某些方面。通過提供預先注釋的“訓練數(shù)據(jù)”,該軟件可以學習如何復制和模仿給定任務的人為行動,這是計算機在不遠的過去無法做到的。
標簽: 神經(jīng)網(wǎng)絡
免責聲明:本文由用戶上傳,如有侵權(quán)請聯(lián)系刪除!