Аспирант факультета фундаментальной медицины МГУ им. М.В. Ломоносова Никита Волошин занимается изучением способов улучшения возможностей микроскопии в области клеточной биологии. Победитель конкурса грантовой поддержки молодых ученых фонда «Интеллект» рассказал о своем исследовании.
— Никита, расскажите о теме вашего исследования «Методы глубокого обучения для детекции ядер клеток на фазово-контрастных изображениях в целях мониторинга роста клеточной популяции и автоматического трекинга одиночных клеток»?
Микроскопия — удивительный инструмент, один из основных методов современной биологии, позволяющий увидеть внутреннее устройство клетки, изучить её строение и физиологию на разных уровнях. Однако большинство методов микроскопии требует фиксации клеток и/или использования красителей, что влияет на клеточную физиологию и во многих случаях затрудняет исследование клеточных процессов в динамике. В то же время существует группа методов микроскопии в проходящем свете, которые не требуют фиксации и окраски клеток, например, фазово-контрастная микроскопия.
Однако у фазово-контрастной микроскопии есть ограничение, относящееся к обработке получившихся изображений, — зачастую их сложно анализировать автоматически. Это связано с тем, что клетки сложно отделить от фона, так как фазово-контрастная микроскопия «подсвечивает» только края объектов, а центр клеток, таким образом, по интенсивности остается похожим на фон. Наше исследование направлено на разработку метода, который позволил бы в определенных сценариях преодолеть это ограничение.
Первый такой сценарий — подсчет количества клеток на изображениях, что позволит решить задачу оценки скорости роста клеточной популяции. Насколько быстро клетки делятся? Как на скорость их деления повлиял какой-либо препарат? Эту задачу можно решить без фиксации и окраски при помощи фазово-контрастной микроскопии, а именно при помощи съемки клеток через определенные промежутки времени и определения их количества на получившихся изображениях. Алгоритм автоматического подсчета клеток позволил бы упростить этот процесс.
Фрагмент фазово-контрастной микроскопии растущей популяции клеток с периодичностью раз в сутки. Задача состоит в определении количества клеток на каждом таком снимке
Другой сценарий — автоматический трекинг клеток. Часто при помощи микроскопии изучаются свойства одиночных клеток, однако следить на протяжении длительного времени за ними затруднительно, потому что клетки постоянно двигаются.
Пример фазово-контрастной микроскопии движущихся клеток. В список задач для такого фильма могут входить слежение за каждой клеткой от начала до конца эксперимента, определение скорости движения, обнаружение событий, например, клеточное деление или клеточная гибель, и др.
В нашем исследовании мы экспериментируем с методами глубокого машинного обучения для решения этих и подобных задач обработки фазово-контрастных изображений. В частности, потенциальным решением представленных двух задач является обнаружение ядер клеток на изображениях, что позволяет как оценить количество клеток, так и провести трекинг, используя ядра в качестве меток. Мы изучаем, как современные методы компьютерного зрения справляются с обнаружением ядер клеток на фазово-контрастных изображениях, а также подходят ли эти методы для решения современных биологических задач.
— Какая цель вашего исследования?
Цель нашего исследования — создать инструмент обнаружения ядер клеток на фазово-контрастных изображениях, а также оценить его возможности для решения биологических задач. При этом в разработке такого инструмента мы считаем важными следующие его свойства:
1) Генерализованность на разные условия съемки. Другими словами, нам важно, чтобы наш инструмент работал не только на одном микроскопе с особыми условиями съемки, а на максимально широком диапазоне инструментов. Таким образом, им сможет воспользоваться максимально широкий круг исследователей.
2) Доступность для широкого круга пользователей. Мы работаем над интерфейсом, с помощью которого воспользоваться нашим инструментом будет возможно без использования кода, чтобы умение программировать не было обязательным для применения наших разработок.
3) Способность подстраивать инструмент под конкретные изображения, а также оценивать его точность на этих изображениях. В науке принципиально важно понимать, с какой точностью работает прибор. Мы работаем над функцией, которая позволит оценить, с какой точностью наш алгоритм справляется с задачей обнаружения ядер на конкретных изображениях. Таким образом, исследователи, использующие наш инструмент, будут уверены в результате его работы.
Таким образом, нашей целью является не только разработать инструмент, но и сделать его настраиваемым, надежным и доступным, чтобы им мог воспользоваться как можно более широкий круг исследователей.
— В чем практическая польза вашего исследования?
Все наши разработки мы планируем опубликовать в открытый доступ. Мы стремимся максимально расширить круг потенциальных пользователей с помощью генерализации алгоритма для разных условий микроскопии и интерфейса, который позволит использовать наш инструмент без использования кода. Наши разработки направлены на решение конкретных биологических задач, диапазон которых не ограничивается оценкой скорости роста популяции и трекингом одиночных клеток; существуют и другие потенциальные сценарии, в которых требуется посчитать количество ядер/клеток или определить их расположение на изображении. Мы надеемся, что наше исследование поможет ученым-биологам в их проектах, например, поможет сэкономить ресурсы или даже откроет новые возможности, которые с имеющимися методами были недоступны.
— Какие методы ИИ и каким образом применяются в вашем исследовании?
Основным методом компьютерного зрения в нашем исследовании является метод обнаружения объектов. Алгоритмы обнаружения объектов принимают на вход изображение и возвращают список/массив, элементами которого является информация об обнаруженных объектах — расположение (координаты) и принадлежность к классу. В нашем исследовании все объекты принадлежат к одному классу — ядро клетки. Другими словами, алгоритмы обнаружения объектов в нашем случае определяют регионы на изображении, в которых наибольшая вероятность нахождения ядра. В качестве базовых моделей мы используем модели обнаружения объектов YOLO, которые отличаются быстротой обработки изображений даже без использования графических процессоров, что также будет способствовать распространению наших разработок для максимально широкого круга пользователей.