El aprendizaje profundo para las predicciones de fluorescencia durante toda la vida permite un alto rendimiento en...

Área de la Ciencia:

• Óptica biomédica
• Aprendizaje automático en microscopía
• Espectroscopia de fluorescencia

Sus antecedentes:

• La microscopía de imágenes de fluorescencia de por vida (FLIM) es crucial para estudiar los cambios en el microambiente en la investigación biomédica.
• Los métodos FLIM tradicionales requieren altos recuentos de fotones, lo que lleva a largos tiempos de adquisición y un rendimiento limitado para las muestras vivas.
• Las técnicas actuales luchan con los datos escasos de fotones, lo que dificulta la aplicación de FLIM en estudios dinámicos "in vivo".

Objetivo del estudio:

• Introducir FLIMngo, un modelo de aprendizaje profundo para la cuantificación precisa de los datos FLIM en condiciones de escasez de fotones.
• Permitir un análisis FLIM de alto rendimiento con tiempos de adquisición de datos y fototoxicidad reducidos.
• Mejorar la aplicabilidad de FLIM para especímenes biológicos vivos y dinámicos.

Principales métodos:

• Desarrollo de FLIMngo, un modelo de aprendizaje profundo que aprovecha la información temporal y espacial en datos FLIM sin procesar.
• Cuantificación de los datos FLIM de las curvas de desintegración con menos de 50 fotones por píxel.
• Comparación con el análisis tradicional del gráfico de fases y otros métodos de aprendizaje profundo utilizando datos simulados y experimentales.

Principales resultados:

• FLIMngo predice con precisión las vidas de fluorescencia a partir de los datos FLIM hambrientos de fotones, superando a los métodos existentes.
• El modelo reduce los tiempos de adquisición de datos FLIM a segundos, lo que permite un mayor rendimiento y minimiza la fototoxicidad.
• Aplicación demostrada con éxito en la cuantificación de agregados de proteínas en animales vivos *Caenorhabditis elegans*.

Conclusiones:

• FLIMngo mejora significativamente la utilidad de FLIM como herramienta de alto rendimiento para muestras biológicas vivas.
• La capacidad del modelo para analizar datos con escasez de fotones abre nuevas vías para estudios longitudinales en organismos como C. elegans.
• FLIMngo es de código abierto y fácilmente implementable, no requiere capacitación para diversas aplicaciones.