科学家们创造了一种基于机器学习的粒子跟踪新方法,该方法比目前使用的技术更精确,提供更好的自动化。
 
单粒子跟踪涉及跟踪流体和生物样本中的单个粒子(例如病毒,细胞和载药纳米粒子)的运动。该技术广泛用于物理和生命科学。UNC-Chapel Hill的团队开发了新的跟踪方法,使用粒子跟踪开发治疗和预防传染病的新方法。他们研究了抗体和生物聚合物之间的分子相互作用,并描述和设计了纳米级药物载体。他们的工作发表在“国民科学院院刊”上。
 
“为了从视频中获取意义,你必须将视频转换为定量数据,”UNL Eshelman药学院副教授,新跟踪器的创造者之一Sam Lai博士说。“使用当前的软件,研究人员必须仔细监督视频转换以确保准确性。这通常需要数周到数月,并且极大地限制了吞吐量和准确性。
“我们厌倦了瓶颈。”
 
问题的根源可以追溯到当前软件用于识别任何视频中存在的全部粒子的少量参数,例如粒度,亮度和形状。事情被错过,因为它们不太符合参数,参数因不同的操作员设置而异,Alison Schaefer博士。莱实验室的学生说。这对数据再现性带来了巨大的挑战,因为分析同一视频的两个用户经常获得不同的结果。
 
“自动驾驶汽车的工作原理是因为他们可以实时看到和跟踪周围的许多不同物体,”纽约大学数学与应用物理科学系的Grant Dahlstrom杰出教授M.Gregory Forest博士说。该项目的共同资深作者。
 
“我们想知道我们是否可以创建一种可以同时跟踪数千个纳米级粒子的人工智能版本并自动完成。”
 
事实证明,他们可以并利用他们的发现推出基于Chapel Hill的人工智能跟踪解决方案,该公司正在寻求将新技术商业化。该公司已获得美国国立卫生研究院颁发的小企业技术转让奖,以使该技术商业化。
 
赖和他在UNC数学系的合作者设计了一个人工神经网络来解决他们的问题。神经网络松散地基于人类的大脑,但通过喂养大量的例子来学习。例如,如果神经网络需要识别狗的照片,则会显示许多狗的照片。它不需要知道狗的样子;它会从照片的共同元素中找出答案。示例越好,神经网络就越好。
 
UNC团队首先从一组真实的计算机生成数据中教授神经网络跟踪器。然后,他们使用Lai实验室过去的实验中的高质量数据进一步改进了跟踪器。结果是一个新的跟踪器,具有数千个经过良好调整的参数,可以完全自动处理各种各样的视频,比目前使用的系统至少精确10倍,具有高度可扩展性,并具有完美的可重复性,Lai说。该团队在“美国国家科学院院刊”上记录了他们的成就。
 
该研究的第一作者,助理教授杰伊·纽比博士说,新系统准备好及时支持越来越多的功能强大的显微镜,能够在一天内收集数TB的高分辨率2D和3D视频。在阿尔伯塔大学。
 
“跟踪纳米级粒子的运动对于了解病原体如何破坏粘膜屏障以及设计新的药物疗法至关重要,”Newby说。“我们的进步首先提供了显着改善的自动化。此外,与现有方法和用户及实验室的可重复性相比,我们的方法大大提高了准确性。”