研究人员将神经网络与各种显微镜技术相结合，以改善科学家窥视细胞的方式。
神经网络正在改变科学家捕捉和研究生命过程的方式。在1月18日发布在《自然方法》杂志上的一项研究中，来自伦敦帝国理工学院和伦敦大学学院的研究人员训练了机器学习模型来预测快速细胞事件的演变。
在不损坏活细胞样本的情况下，很难完整地捕获这些事件。
现在，与传统成像方法相比，研究人员只需要捕获一半的帧，并使用神经网络准确生成图像集的其余部分。
该研究的主要作者、化学系的Martin Priessner博士说：“深度神经网络技术的进步使我们能够在更长的时间内密切监测微妙的细胞过程，同时减少活体样品的压力。
研究中的两种神经网络架构能够成功地从四种显微镜技术中重建数据集。
“我们想证明这些神经网络的方法是多么有用和通用，”共同主要作者，来自伦敦大学学院的Romain Laine博士说。
活细胞成像使科学家能够研究和可视化生命在亚细胞水平上的运作方式。通过实时观察生物过程，研究人员可以更好地了解不同细胞器之间的复杂相互作用。
然而，捕捉细胞视频通常是困难和侵入性的。一些显微镜技术需要使用荧光染料来标记细胞，但这些染料在暴露于光线时会随着时间的推移而失去荧光——这一过程称为光漂白。
另一个挑战是光毒性，其中光会损害甚至杀死活细胞。
“你可以提高激光功率以获得更好的图像质量，但这会导致你的染料被漂白或细胞迅速死亡，”莱恩博士说。
“在保持样品活力和获得高质量图像之间总是存在拉锯战，”他说。
研究人员在捕获高质量、低噪声数据的较短视频或具有更多噪声的较长视频之间陷入了艰难的权衡。然而，研究人员可能有一种方法可以使用人工智能来同时拥有两者。
该团队创造了“内容感知帧插值”一词来描述基于机器学习的技术，旨在通过在现有帧之间生成中间帧来提高显微镜视频的帧速率。
这在计算机图形学和视频处理中已经很常见，但从未应用于显微镜。
这种技术可以使视频更流畅。例如，人们可以通过估计不同物体在两个连续帧之间的运动，将视频从每秒 30 帧转换为 60 fps。
可以训练深度学习网络来理解和预测视频中的物体运动。研究人员采用了在高质量视频剪辑上训练的现有机器学习模型，并在活细胞显微镜视频上对其进行了微调。
为了测试他们模型的性能，科学家们随后拍摄了其他细胞电影并删除了帧 - 看看他们的模型是否能够成功重建缺失的数据。
“一个令人惊讶的发现是，刚刚在视频剪辑上训练的网络已经比其他经典插值技术表现得更好，并且在对特定用例进行微调后，网络的性能进一步提高，”马丁说。
这两种模型使用了不同的网络架构，称为缩放慢动作和深度感知视频帧插值，它们根据特定用例具有不同的优势和劣势。
研究表明，这些模型能够成功地提高使用四种不同显微镜技术拍摄的视频的分辨率，包括明场显微镜和荧光显微镜，这些技术广泛用于研究细胞和组织结构。
“当然，这里没有免费的午餐，”莱恩博士说，并指出模型的性能很大程度上取决于它们从训练数据集中学到的东西。“如果我们的模型应用于与我们用来训练它的数据截然不同的新数据，那么它可能会产生伪影，”他说。
