Une nouvelle méthode donne un aperçu rapide et objectif de la façon dont les cellules sont modifiées par la maladie


  • FrançaisFrançais


  • Suivez-nous sur notre page Facebook et notre canal Telegram


    Un nouveau “pipeline d’analyse d’images” donne aux scientifiques un nouvel aperçu rapide de la façon dont la maladie ou les blessures ont changé le corps, jusqu’à la cellule individuelle.

    Il s’appelle TDAExplore, qui prend l’imagerie détaillée fournie par la microscopie, l’associe à un domaine mathématique brûlant appelé topologie, qui donne un aperçu de la façon dont les choses sont arrangées, et de la puissance analytique de l’intelligence artificielle pour donner, par exemple, une nouvelle perspective sur changements dans une cellule résultant de la SLA et où ils se produisent dans la cellule, explique le Dr Eric Vitriol, biologiste cellulaire et neuroscientifique au Medical College of Georgia.

    Il s’agit d’une “option accessible et puissante” pour utiliser un ordinateur personnel afin de générer des informations quantitatives – mesurables et par conséquent objectives – à partir d’images microscopiques qui pourraient probablement être également appliquées à d’autres techniques d’imagerie standard telles que les rayons X et les TEP. reportage dans le journal Motifs.

    “Nous pensons que c’est un progrès passionnant dans l’utilisation des ordinateurs pour nous donner de nouvelles informations sur la façon dont les ensembles d’images sont différents les uns des autres”, déclare Vitriol. “Quels sont les changements biologiques réels qui se produisent, y compris ceux que je ne pourrais peut-être pas voir, parce qu’ils sont trop infimes ou parce que j’ai une sorte de parti pris quant à l’endroit où je devrais regarder.”

    Au moins dans le département d’analyse des données, les ordinateurs font battre notre cerveau, dit le neuroscientifique, non seulement dans leur objectivité mais dans la quantité de données qu’ils peuvent évaluer. La vision par ordinateur, qui permet aux ordinateurs d’extraire des informations à partir d’images numériques, est un type d’apprentissage automatique qui existe depuis des décennies. sur l’analyse des données topologiques, a décidé d’associer le détail de la microscopie à la science de la topologie et à la puissance analytique de l’IA. La topologie et Bubenik étaient la clé, dit Vitriol.

    La topologie est “parfaite” pour l’analyse d’images car les images sont constituées de motifs, d’objets disposés dans l’espace, dit-il, et l’analyse des données topologiques (le TDA dans TDAExplore) aide l’ordinateur à reconnaître également la configuration du terrain, dans ce cas où l’actine – – une protéine et un élément constitutif essentiel des fibres, ou filaments, qui aident à donner la forme et le mouvement des cellules – a bougé ou changé de densité. C’est un système efficace, qui au lieu de prendre littéralement des centaines d’images pour entraîner l’ordinateur à les reconnaître et à les classer, il peut apprendre sur 20 à 25 images.

    Une partie de la magie est que l’ordinateur apprend maintenant les images en morceaux qu’ils appellent des patchs. La décomposition des images de microscopie en ces morceaux permet une classification plus précise, moins de formation de l’ordinateur sur ce à quoi ressemble la “normale” et, finalement, l’extraction de données significatives, écrivent-ils.

    Il ne fait aucun doute que la microscopie, qui permet un examen approfondi de choses non visibles à l’œil humain, produit de belles images détaillées et une vidéo dynamique qui sont un pilier pour de nombreux scientifiques. “Vous ne pouvez pas avoir une faculté de médecine sans installations de microscopie sophistiquées”, dit-il.

    Mais pour comprendre d’abord ce qui est normal et ce qui se passe dans les états pathologiques, Vitriol a besoin d’une analyse détaillée des images, comme le nombre de filaments ; où les filaments sont dans les cellules – près du bord, du centre, dispersés partout – et si certaines régions cellulaires en ont plus.

    Les modèles qui émergent dans ce cas lui indiquent où se trouve l’actine et comment elle est organisée – un facteur majeur dans sa fonction – et où, comment et si elle a changé avec la maladie ou les dommages.

    Alors qu’il regarde le regroupement d’actine autour des bords d’une cellule du système nerveux central, par exemple, l’assemblage lui dit que la cellule s’étend, se déplace et envoie des projections qui deviennent son bord d’attaque. Dans ce cas, la cellule, qui a été essentiellement en sommeil dans un plat, peut s’étendre et étirer ses jambes.

    Certains des problèmes avec les scientifiques analysant les images directement et calculant ce qu’ils voient incluent le fait que cela prend du temps et la réalité que même les scientifiques ont des préjugés.

    Par exemple, et en particulier avec tant d’action, leurs yeux peuvent se poser sur le familier, dans le cas de Vitriol, cette actine à la pointe d’une cellule. Alors qu’il regarde à nouveau le cadre sombre autour de la périphérie de la cellule indiquant clairement que l’actine s’y regroupe, cela pourrait impliquer que c’est le principal point d’action.

    “Comment puis-je savoir que lorsque je décide de ce qui est différent, c’est la chose la plus différente ou est-ce simplement ce que je voulais voir?” il dit. “Nous voulons y apporter l’objectivité informatique et nous voulons apporter un degré plus élevé de reconnaissance des formes dans l’analyse des images.”

    L’IA est connue pour être capable de “classer” les choses, comme reconnaître un chien ou un chat à chaque fois, même si l’image est floue, en apprenant d’abord plusieurs millions de variables associées à chaque animal jusqu’à ce qu’elle reconnaisse un chien quand elle en voit un, mais il ne peut pas dire pourquoi c’est un chien. Cette approche, qui nécessite tant d’images à des fins de formation et ne fournit toujours pas beaucoup de statistiques d’image, ne fonctionne pas vraiment pour ses besoins, c’est pourquoi lui et ses collègues ont créé un nouveau classificateur limité à l’analyse de données topologiques.

    L’essentiel est que le couplage unique utilisé dans TDAExplore indique efficacement et objectivement aux scientifiques où et dans quelle mesure l’image cellulaire perturbée diffère de l’image d’entraînement ou normale, des informations qui fournissent également de nouvelles idées et directions de recherche, dit-il.

    Revenons à l’image de la cellule qui montre l’actine se regroupant le long de son périmètre, alors que le “bord d’attaque” était clairement différent avec les perturbations, TDAExplore a montré que certains des changements les plus importants se trouvaient en fait à l’intérieur de la cellule.

    “Une grande partie de mon travail consiste à essayer de trouver des modèles dans des images difficiles à voir”, explique Vitriol, “parce que j’ai besoin d’identifier ces modèles afin de pouvoir trouver un moyen d’extraire des nombres de ces images.” Ses principaux objectifs consistent à comprendre comment le cytosquelette d’actine, dont les filaments fournissent l’échafaudage et qui à son tour fournit un support aux neurones, fonctionne et ce qui ne va pas dans des conditions comme la SLA.

    Certains de ces modèles d’apprentissage automatique qui nécessitent des centaines d’images pour former et classer les images ne décrivent pas quelle partie de l’image a contribué à la classification, écrivent les enquêteurs. Ces énormes quantités de données qui doivent être analysées et qui peuvent inclure environ 20 millions de variables nécessitent un super ordinateur. Au lieu de cela, le nouveau système nécessite relativement peu d’images haute résolution et caractérise les « patchs » qui ont conduit à la classification sélectionnée. En quelques minutes, l’ordinateur personnel standard du scientifique peut compléter le nouveau pipeline d’analyse d’images.

    L’approche unique utilisée dans TDAExplore indique objectivement aux scientifiques où et dans quelle mesure l’image perturbée diffère de l’image d’entraînement, une information qui fournit également de nouvelles idées et directions de recherche, dit-il.

    La possibilité d’obtenir des informations plus nombreuses et de meilleure qualité à partir d’images signifie en fin de compte que les informations générées par des scientifiques fondamentaux comme Vitriol, qui modifient souvent ce qui est considéré comme les faits d’une maladie et la façon dont elle est traitée, sont plus précises. Cela pourrait inclure la capacité de reconnaître les changements, comme ceux que le nouveau système a signalés à l’intérieur de la cellule, qui ont été précédemment négligés.

    Actuellement, les scientifiques appliquent des taches pour permettre un meilleur contraste, puis utilisent un logiciel pour extraire des informations sur ce qu’ils voient dans les images, comme la façon dont l’actine est organisée en une structure plus grande, dit-il.

    “Nous avons dû trouver une nouvelle façon d’obtenir des données pertinentes à partir d’images et c’est de cela qu’il s’agit.”

    L’étude publiée fournit tous les éléments permettant aux autres scientifiques d’utiliser TDAExplore.

    La recherche a été soutenue par les National Institutes of Health.

    Houssen Moshinaly

    Rédacteur en chef d'Actualité Houssenia Writing. Rédacteur web depuis 2009.

    Blogueur et essayiste, j'ai écrit 9 livres sur différents sujets comme la corruption en science, les singularités technologiques ou encore des fictions. Je propose aujourd'hui des analyses politiques et géopolitiques sur le nouveau monde qui arrive. J'ai une formation de rédaction web et une longue carrière de prolétaire.

    Pour me contacter personnellement :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *