[ad_1]
(noticias nanowerk) Investigadores de la Universidad Nacional de Singapur (NUS) han demostrado que el aprendizaje profundo les permite observar la dinámica de moléculas individuales con mayor precisión y con menos datos que los métodos de evaluación tradicionales. Utilizaron redes neuronales convolucionales (CNN) para observar el movimiento de moléculas individuales en sistemas artificiales, células y pequeños organismos. Este método promete acelerar las mediciones de una sola molécula en sistemas complejos y hacerlas más accesibles para una gama más amplia de investigadores.
Una sola molécula es la unidad más fundamental que se puede observar en los sistemas biológicos. Comprender su comportamiento e interacciones proporciona información sobre cómo funcionan los sistemas biológicos y allana el camino para intervenciones estratégicas en enfermedades. Uno de los métodos más eficaces para observar moléculas individuales es la espectroscopia de fluorescencia. Esto se debe a su fuerte señal y especificidad, que permite observar sólo moléculas marcadas.
La espectroscopia de correlación de fluorescencia (FCS), que mide la movilidad y la interacción de moléculas con gran exactitud y precisión, se utiliza en esta área desde hace más de 50 años. Una extensión reciente de esta técnica, Imaging FCS, amplía sus capacidades para caracterizar movilidades, concentraciones e interacciones, entre otros parámetros, en imágenes generales. A pesar de sus capacidades, obtener imágenes de FCS es un desafío porque requiere grandes cantidades de datos (aproximadamente 100 MB para cada medición). Esto requiere un procesamiento computacional extenso, lo que conduce a evaluaciones lentas.
Un equipo de investigación dirigido por el profesor Thorsten WOHLAND del Departamento de Ciencias de la Vida y Química y el profesor Adrian RÖLLIN del Departamento de Estadística y Ciencia de Datos, ambos de NUS, utilizó métodos de aprendizaje profundo para reducir la cantidad de datos necesarios para una medición (aproximadamente 5 MB por medición) y logra resultados comparables a los métodos convencionales.
La técnica utiliza dos CNN llamadas FCSNet e ImFCSNet, desarrolladas por el Dr. Wai Hon TANG y el Sr. Shao Ren SIM, miembros del equipo de investigación. Las CNN son un tipo de algoritmo de aprendizaje profundo adecuado para analizar datos visuales. Utilizan múltiples capas de filtros especializados que buscan en la imagen características específicas como bordes, texturas y colores. Al extraer y combinar gradualmente estas características, desarrollan una mejor comprensión de la imagen, lo que les permite reconocer patrones y objetos en los datos visuales.
![espectroscopia de correlación de fluorescencia de aprendizaje automático](https://www.nanowerk.com/nanotechnology-news3/id64622_1.jpg)
Tanto el método basado en FCSNet como el ImFCSNet son más precisos que los métodos FCS tradicionales en términos de coeficientes de difusión, pero tienen diferentes compensaciones en los requisitos de datos y la resolución espacial. Al utilizar menos datos, estas técnicas pueden reducir potencialmente el tiempo de evaluación en órdenes de magnitud, especialmente para grandes conjuntos de datos o sistemas complejos.
Sus resultados fueron publicados en el Revista biofísica (“El aprendizaje profundo reduce los requisitos de datos y permite mediciones en tiempo real en imágenes FCS”).
El profesor Wohland dijo: «Estas CNN están entrenadas con datos simulados y pueden predecir coeficientes de difusión a partir de conjuntos de datos mucho más pequeños en comparación con los métodos FCS tradicionales. También son independientes del modelo y pueden usarse con cualquier configuración de microscopio».
Dr. Tang agregó: “Las CNN están revolucionando el análisis de datos y proporcionando procesos de evaluación acelerados y simplificados. Si bien es importante validar su desempeño, las CNN tienen el potencial de aportar técnicas poderosas a la comunidad de investigación en general”.
El equipo espera que su técnica pueda abrir nuevas oportunidades para acelerar la investigación de una sola molécula y hacer que la tecnología sea accesible a una gama más amplia de usuarios. Las CNN no requieren la aportación de expertos y están preparadas para democratizar las FCS.
[ad_2]