Uma equipe de pesquisa da UCLA desenvolveu uma técnica que amplia os recursos da microscopia de fluorescência, que permite aos cientistas rotular com precisão partes de células vivas e tecidos com corantes que brilham sob iluminação especial. Os pesquisadores usam inteligência artificial para transformar imagens bidimensionais em pilhas de fatias tridimensionais virtuais mostrando a atividade dentro dos organismos.

Em um estudo publicado em Métodos da Natureza , os cientistas também relataram que sua estrutura, chamado "Deep-Z, "foi capaz de corrigir erros ou aberrações nas imagens, como quando uma amostra é inclinada ou curvada. Avançar, eles demonstraram que o sistema poderia tirar imagens 2-D de um tipo de microscópio e criar imagens 3-D virtualmente da amostra como se fossem obtidas por outro, microscópio mais avançado.

"Este é um novo método muito poderoso que é habilitado pelo aprendizado profundo para realizar imagens 3-D de espécimes vivos, com o mínimo de exposição à luz, que pode ser tóxico para as amostras, "disse o autor sênior Aydogan Ozcan, Professor chanceler de engenharia elétrica e da computação da UCLA e diretor associado do California NanoSystems Institute da UCLA.

Além de poupar as amostras de doses de luz potencialmente prejudiciais, este sistema pode oferecer a biólogos e pesquisadores de ciências biológicas uma nova ferramenta para imagens 3-D que é mais simples, mais rápido e muito mais barato do que os métodos atuais. A oportunidade de corrigir as aberrações pode permitir que os cientistas que estudam organismos vivos coletem dados de imagens que, de outra forma, seriam inutilizáveis. Os investigadores também podem obter acesso virtual a equipamentos caros e complicados.

Esta pesquisa se baseia em uma técnica anterior desenvolvida por Ozcan e seus colegas que lhes permitiu renderizar imagens de microscópio de fluorescência 2-D em super-resolução. Ambas as técnicas avançam a microscopia ao confiar no aprendizado profundo - usando dados para "treinar" uma rede neural, um sistema de computador inspirado no cérebro humano.

Deep-Z foi ensinado usando imagens experimentais de um microscópio de fluorescência de varredura, que tira fotos focadas em profundidades múltiplas para obter imagens 3-D de amostras. Em milhares de execuções de treinamento, a rede neural aprendeu como obter uma imagem 2-D e inferir fatias 3-D precisas em diferentes profundidades dentro de uma amostra. Então, o framework foi testado às cegas - alimentado com imagens que não faziam parte de seu treinamento, com as imagens virtuais em comparação com as fatias 3D reais obtidas a partir de um microscópio de varredura, proporcionando uma combinação excelente.

Ozcan e seus colegas aplicaram Deep-Z a imagens de C. elegans, uma lombriga que é um modelo comum em neurociência devido ao seu sistema nervoso simples e bem conhecido. Converter um filme 2-D de um worm em 3-D, quadro por quadro, os pesquisadores foram capazes de rastrear a atividade de neurônios individuais dentro do corpo do verme. E começando com uma ou duas imagens 2-D de C. elegans tiradas em profundidades diferentes, Deep-Z produziu imagens virtuais 3-D que permitiram à equipe identificar neurônios individuais dentro do worm, combinando a saída 3-D de um microscópio de varredura, exceto com muito menos exposição à luz do organismo vivo.

Os pesquisadores também descobriram que o Deep-Z poderia produzir imagens 3-D de superfícies 2-D onde as amostras eram inclinadas ou curvas - mesmo que a rede neural fosse treinada apenas com fatias 3-D que eram perfeitamente paralelas à superfície da amostra.

"Esse recurso foi realmente muito surpreendente, "disse Yichen Wu, um estudante de graduação da UCLA que é o co-autor da publicação. "Com isso, você pode ver através da curvatura ou outra topologia complexa que é muito desafiadora para a imagem. "

Em outros experimentos, Deep-Z foi treinado com imagens de dois tipos de microscópios de fluorescência:campo amplo, que expõe toda a amostra a uma fonte de luz; e confocal, que usa um laser para escanear uma amostra peça por peça. Ozcan e sua equipe mostraram que sua estrutura poderia então usar imagens de microscópio de campo amplo 2-D de amostras para produzir imagens 3-D quase idênticas às obtidas com um microscópio confocal.

Esta conversão é valiosa porque o microscópio confocal cria imagens mais nítidas, com mais contraste, em comparação com o amplo campo. Por outro lado, o microscópio de campo amplo captura imagens com menos despesas e com menos requisitos técnicos.

"Esta é uma plataforma geralmente aplicável a vários pares de microscópios, não apenas a conversão de campo amplo para confocal, "disse o co-primeiro autor Yair Rivenson, Professor adjunto assistente de engenharia elétrica e da computação da UCLA. "Cada microscópio tem suas próprias vantagens e desvantagens. Com esta estrutura, você pode obter o melhor dos dois mundos usando IA para conectar diferentes tipos de microscópios digitalmente. "

Outros autores são alunos de pós-graduação Hongda Wang e Yilin Luo, pós-doutorado Eyal Ben-David e Laurent Bentolila, diretor científico do Laboratório de Espectroscopia e Microscopia de Luz Avançada do California NanoSystems Institute, tudo da UCLA; e Christian Pritz da Universidade Hebraica de Jerusalém em Israel.