Omnipose برای تشخیص باکتری ها با هر شکل و اندازه در کشت های باکتریایی مخلوط آموزش دیده است — ScienceDaily


Omnipose، یک نرم افزار یادگیری عمیق، به حل چالش شناسایی باکتری های متنوع و کوچک در تصاویر میکروسکوپی کمک می کند. شناسایی چندین نوع دیگر از اجسام ریز در میکروگراف ها از این هدف اولیه فراتر رفته است.

آزمایشگاه میکروبیولوژی UW Medicine جوزف موگوس و آزمایشگاه فیزیک و مهندسی زیستی دانشگاه واشنگتن پل ا. ویگینز این ابزار را آزمایش کردند. این توسط دانشجوی فارغ التحصیل فیزیک دانشگاه واشنگتن، کوین جی. کاتلر و تیمش ساخته شده است.

موگوس گفت که کاتلر، به عنوان یک دانشجوی فیزیک، “علاقه غیرعادی به غوطه ور شدن خود در یک محیط زیست شناسی نشان داد تا بتواند به طور مستقیم در مورد مسائلی که نیاز به راه حل در این زمینه دارند یاد بگیرد. او به آزمایشگاه من آمد و به سرعت یکی را پیدا کرد. که او به شیوه ای دیدنی حل کرد.”

نتایج آنها در نسخه 17 اکتبر گزارش شده است روش های طبیعت

دانشمندان دریافتند که Omnipose که بر روی پایگاه داده بزرگی از تصاویر باکتری ها آموزش دیده است، عملکرد خوبی در توصیف و تعیین کمیت تعداد بی شمار باکتری در کشت های میکروبی مخلوط کرده و برخی از خطاهایی را که می تواند در نسل قبلی خود، Cellpose رخ دهد، حذف کند.

علاوه بر این، این نرم افزار به راحتی با تغییرات شدید در شکل سلول به دلیل درمان آنتی بیوتیکی یا تضاد با مواد شیمیایی تولید شده در طول تهاجم بین باکتریایی فریب نمی خورد. در واقع، این برنامه نشان داد که حتی می تواند مسمومیت سلولی را در آزمایشی با استفاده از آن تشخیص دهد E. coli.

علاوه بر این، Omnipose در غلبه بر مشکلات تشخیص به دلیل تفاوت در ویژگی های نوری در باکتری های مختلف به خوبی عمل کرد.

بیشتر باکتری ها کروی یا میله ای هستند، اما برخی از آنها اشکال پایه دیگری مانند مارپیچ های پیچشی دارند. علاوه بر اینها، Omnipose می‌تواند باکتری‌های دقیق‌تری را با شکل‌های کشیده یا با شاخه‌ها، رشته‌ها و زائده‌ها شناسایی کند، همه ویژگی‌های فیزیکی که می‌توانند تشخیص باکتری‌های موجود در تصویر را برای ابزارهای یادگیری عمیق دشوار کنند.

این برنامه هنوز با محدودیت هایی در مدیریت همپوشانی اشیا در یک بازنمایی دوبعدی از یک نمونه سه بعدی از یک جامعه میکروبی شلوغ مواجه است. همپوشانی اشیاء چیزی است که مثلاً اثر ساعت را بر روی دیوار ایجاد می کند که این توهم بیرون آمدن از سر یک شخص را در یک عکس ایجاد می کند.

در تجزیه و تحلیل سلول ها در یک مجموعه داده های اولیه ریشه از علف های هرز سریع الرشد A. thalianaبا این وجود، Omnipose مزایایی نسبت به رویکردهای قبلی در این نمونه سه بعدی نشان داد.

بررسی‌های دیگر تیم آزمایشگاه Mougous در مورد قابلیت‌های Omnipose نشان داد که حذف باکتری‌های زیر یک آستانه معین از نظر اندازه برای این ابزار دشوار است.

علیرغم این اشکالات، محققان معتقدند که Omnipose می تواند راه حلی برای “کمک به پاسخگویی به سوالات مختلف در زیست شناسی سلولی باکتریایی” باشد.

دانشمندان برای اینکه ببینند آیا می‌تواند به ابزاری چند منظوره در سایر زمینه‌های علوم زیستی یا حتی غیر حیاتی وابسته به میکروسکوپ تبدیل شود، این برنامه را روی میکروگراف‌های کرم گرد بسیار ریز امتحان کردند. سی الگانسیک ارگانیسم مهم در تحقیقات ژنتیکی، عصب شناسی، رشدی و رفتار میکروبی است. مانند برخی از باکتری ها، این موجود نیز شکلی کشیده دارد. مانند بسیاری از کرم های دیگر، این کرم نیز می تواند خود را منحرف کند. Omnipose می تواند انتخاب کند سی الگانس صرف نظر از کشش ها، انقباضات و سایر حرکات مختلف آن. این توانایی می تواند برای مثال در مطالعات عصبی مفید باشد سی الگانس حرکت در طول ردیابی با گذشت زمان

در طراحی ابزارهایی مانند Omnipose، محققان به دنبال مقیاسی با دقت تک پیکسلی برای تعیین مرزهای یک سلول هستند. این به این دلیل است که اکثر تصاویر بدن سلول های باکتریایی تنها از تعداد کمی پیکسل تشکیل شده اند. محققان توضیح دادند که تعیین مرزها در یک تصویر قطعه بندی نامیده می شود. آنها Ominpose را از طریق یک شبکه عصبی عمیق و الگوریتم تقسیم‌بندی با دقت بالا توسعه دادند. آزمایشات آنها نشان داد که Omnipose دقت قطعه بندی بی سابقه ای دارد.

دانشمندان Omnipose را برای استفاده توسط آزمایشگاه‌های تحقیقاتی معمولی طراحی کردند و کد منبع، داده‌های آموزشی و مدل‌های آن را به همراه اسناد نحوه استفاده از این برنامه در دسترس عموم قرار دادند.

محققان در گزارش خود نوشتند: «ما پیش‌بینی می‌کنیم که عملکرد بالای Omnipose در مورفولوژی‌ها و روش‌های مختلف سلولی، ممکن است اطلاعات تصاویر میکروسکوپی را که قبلاً غیرقابل دسترس بودند، باز کند.»

موقوس گفت: «با توجه به اهمیت این مشکل، این یک میدان شلوغ است. “با این حال راه حل کوین از مجموعه متمایز است. ما معتقدیم که این راه حل بازی را برای تجزیه و تحلیل تصویر بیولوژیکی تغییر خواهد داد.”

علاوه بر کاتلر، ویگینز و موگوس، دیگر محققان پروژه آزمایش Omnipose عبارتند از: کارسن استرینگر، ترزا دبلیو لو، لوکا راپز، نیکلاس استروستروپ. اس. بروک پترسون و پل ویگینز. موگوس محقق موسسه پزشکی هاوارد هیوز است.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]