光の生涯予測のためのディープラーニングは,バイオイメージングで高通量を実現します

科学分野:

• バイオメディカル光学
• 顕微鏡における機械学習
• 光光譜法

背景:

• 光生涯画像顕微鏡 (FLIM) は,生物医学研究におけるマイクロ環境の変化の研究に不可欠です.
• 伝統的なFLIM方法は,高い光子数を必要とし,長時間取得と有限なスループットを生体サンプルのために導きます.
• 現在の技術は光子不足のデータと戦っており,ダイナミックな"in vivo"研究におけるFLIMの適用を妨げています.

研究 の 目的:

• フォトン不足の環境で正確なFLIMデータの定量化のためのディープラーニングモデルであるFLIMngoを導入します.
• データを収集する時間を短縮し,光毒性を低減した高通量FLIM分析を可能にする.
• FLIMの活気のある生物標本への適用性を向上させる.

主な方法:

• FLIMngoの開発は,フリムの原始データで時間的,空間的な情報を活用するディープラーニングモデルです.
• 1ピクセルあたり50フォトン未満の崩壊曲線からのFLIMデータの定量化.
• 模擬データや実験データを用いた伝統的なフェザープロット分析やその他のディープラーニング方法との比較.

主要な成果:

• FLIMngoは 光子不足のFLIMデータから 光寿命を正確に予測し 既存の方法よりも優れています
• このモデルは,FLIMデータ取得時間を数秒に短縮し,より高いスループットを可能にし,光毒性を最小限に抑えます.
• 生体 (Caenorhabditis elegans) のタンパク質集積を定量化するのに成功していることが実証されています.

結論:

• FLIMngoは,生きた生物のサンプルを処理するための高通量ツールとして,FLIMの有用性を大幅に高めています.
• フォトン不足データを分析するモデルの能力は,C.elegansのような生物の縦断的な研究のための新しい道を開きます.
• FLIMngoはオープンソースで簡単に実装でき,さまざまなアプリケーションのリトレーニングは必要ありません.