生物科学门户网站
BIO1000.COM

机器学习工具可改善微小移动粒子的跟踪

eLife报道的一项新研究表明,科学家已开发出一种自动化工具,可用于绘制细胞内颗粒的运动,从而加速许多领域的研究。

微小分子,蛋白质和细胞成分在全身的运动在健康和疾病中发挥着重要作用。例如,它们有助于大脑发育和某些疾病的进展。这种新工具采用先进的机器学习技术,可以更快,更轻松地跟踪这些运动,并且不易产生偏差。

目前,科学家可能会使用称为kymographs的图像来表示粒子在时间和空间中的运动,以分析粒子运动。这些记录仪是从使用显微镜记录的粒子运动的延时视频中提取的。分析需要手动完成,这既缓慢又容易受到研究人员无意识的偏见的影响。

“我们利用机器学习的力量通过自动跟踪记录仪来解决这个长期存在的问题,”英国剑桥大学生理学,发展和神经科学系的博士生Maximilian Jakobs说。

该团队开发了名为“KymoButler”的软件,以自动化该过程。该软件使用深度学习技术,该技术试图模仿大脑中的网络,以允许软件学习并随着时间的推移和多次尝试更熟练地完成任务。然后,他们使用来自研究不同粒子阵列运动的科学家的人工和真实数据测试了KymoButler。

“我们证明了KymoButler在各种生物系统中使用复杂粒子轨迹的kymographs上进行专家手动数据分析,”Jakobs解释说。该软件还可以在一分钟内完成分析,需要专家1.5小时。

KymoButler可供其他研究人员在kymobutler.deepmirror.ai下载和使用。资深作者,剑桥大学神经机械学读者Kristian Franze期望该软件在分析更多类型的数据时将继续改进。使用该工具的研究人员可以选择匿名上传他们的kymographs,以帮助团队继续开发软件。

“我们希望我们的工具对那些参与分析小颗粒运动的人来说是有用的,无论他们在哪个领域工作,”Franze说,他的实验室致力于理解细胞与环境之间的物理相互作用如何影响大脑的发育和再生。 。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。