Yapay Zeka (AI) mikroskopi alanında devrim yaratacak şekilde ayarlanmıştır. Son yıllarda, çok sayıda araştırma ekibinin Yapay Zeka’yı vizyon uygulamalarına başarıyla entegre ettiği görülmüştür. Derin Öğrenme (DL) ve Derin Sinir Ağları (DNN) tarafından yönlendirilen bu yenilikler, biyomedikal sektöründe yeni bir olasılık alanı yaratmaktadır. Küresel teknoloji endüstrisindeki birçok büyük firma, DL kullanarak, biyologlara mikroskopi teknikleriyle oluşturdukları görüntüler hakkında her zamankinden daha fazla bilgi elde etmenin bir yolunu sunan yöntemler geliştirmektedirler.
Google, Hücre Türlerini Tanımlamak İçin Derin Öğrenmeyi Kullanmaktadır
Birkaç yıl önce, Gladstone Enstitüleri ve California Üniversitesi’ndeki araştırmacılar, uzun bir süre boyunca tek hücrelerden veri kaydedebilen robotik bir mikroskopi tekniği geliştirmişlerdir. Google, derin öğrenme yaklaşımını uygulamak için böylesine geniş bir veri kümesi aramaktaydı, bu nedenle mavi gökyüzü fikirlerine (insanların çözemediği veya çözemediği ancak bilgisayarların çok daha hızlı yapabileceği sorunlar) odaklanma planı ile birlikte çalışmışlardır. Ekip, insan araştırmacıların yapamadığı bilgileri belirlemek için mikroskopi teknikleri ile oluşturulan görüntüleri araştırabilen bir sinir ağı geliştirmeye başlamış, özellikle ışık mikroskobu kullanılarak alınan hücrelerin görüntülerinin hücrenin daha karmaşık doğası hakkında çok az şey ortaya çıkardığını, bu bilgiyi ortaya çıkarmak için bilim adamlarının boyama yöntemlerini kullandığını düşünmektedir. Ekip, bir sinir ağının boyanmamış hücrelerin özelliklerini tanımlamak için eğitilip eğitilemeyeceğini araştırmak istemiş, bu da süreci daha hızlı ve daha verimli hale getirmiştir.
Birkaç yıllık gelişimden sonra, ekip çalışmalarının bulgularını 2018 yılında Cell dergisinde yayınlanmıştır. Hücre türlerinin yanı sıra alt hücre yapılarını örneğin çekirdekler ve nöronal dendritler boyanmamış görüntülerden ayırt etmek için bir sinir ağı eğittiklerini göstermiştir. Bunu, boyanmamış örneklerde kök hücre türevi endotel hücrelerini tanımlamak için yöntemlerini kullanarak başarılı bir şekilde takip etmiştir. Yapay zekayı mikroskopi ile birleştirme süreci, bilim insanlarına pahalı ve zaman alıcı boyama içeren daha karmaşık görüntüleme tekniklerine ihtiyaç duymadan hücre örnekleri hakkında daha derin bir bilgiye erişmelerini sağlamaktadır. Gladstone Institutes, California Üniversitesi ve Google arasındaki bu işbirliğine kadar, mikroskopi de derin öğrenmeyi kullanan neredeyse hiç iş olmamıştır. Fakat günümüzde, görüntü analizinin görüntüsü değiştirmektedir, yeni yetenekler açmaktadır ve analitik süreçleri kolaylaştırmaktadır.
AI Kullanımının Mikroskopi ile Birlikte Büyümesi
Artık hücreleri tanımlamak için derin öğrenmeyi başarıyla kullanan birkaç sistem bulunmaktadır ve her biri biraz farklı şekillerde çalışmaktadırlar. Örneğin, Kaliforniya Üniversitesi’nden bir ekip, havadaki polen ve mantar sporlarını bir cep telefonu mikroskobu ve derin bir öğrenme ağı aracılığıyla tanımlayabilen bir yaklaşım geliştirmiştir ve teknik % 94 doğrudur. Polonya’da bir ekip yakın zamanda mikroskopi görüntülerinden bakteri türünü ve çeşidini tanımlayabilen derin öğrenme algoritmaları geliştirmiştir ve bu tarım, gıda güvenliği ve tıbbi araştırmaların önemli bir parçasıdır.
Gladstone Institutes ekibinden Finkbeiner, kısa bir süre önce Parkinson Michael J. Fox Vakfı’nın Araştırmaları için AI hastalığının teşhisini geliştirebilecek insan hücre tiplerinin özelliklerini belirlemek için bir mikroskopla nasıl kullanılabileceğini keşfetmek için güçlerini birleştirmişlerdir. Team Parkinson’un nöral bir ağ kullanarak sağlıklı hücrelerden alınan hastalıklardan yenilik yapma niyeti ile alınan ayrışan kök hücre türevi nöronlar için bir yoldur. Birkaç belirteç kullanarak hastalıklı hücrelerden sağlıklı hücreleri tanımlayabilen ve hastalık taramasının nasıl gerçekleştirilebileceğini dönüştüren AI geliştirmeyi başarmıştır. Onkoloji alanı, mikroskopi ile birlikte AI kullanımındaki ilerlemelerden de faydalanacaktır. Biyopsi örneklerinin mikrograflarının analiz edilmesine yardımcı olmak için yıllardır makine öğrenimi uygulanmıştır. Son zamanlarda, derin öğrenme giderek tanı ve tedaviyi geliştirmek için kullanılmaktadır. AI, derin öğrenme modellerinin tümörleri nasıl sınıflandıracağını ve kanser ilerleme seviyesini değerlendirmesini sağlayan bir patolog tarafından zaten analiz edilmiş görüntüler üzerinde eğitilebilmektedir. AI kullanan metodolojilerin çoğu durumda klinisyenlerden daha doğru olduğu kanıtlanmıştır.
Nasıl Çalışır?
Derin öğrenme modelleri agnostik bir yaklaşım benimsemektedir. Bu, belirteçleri farklı kategorilere zorlamak yerine, belirli kategoriler için en iyi adayların ne olabileceğine karar vereceği anlamına gelmektedir. Ancak, özünde, sistem kendi kendine öğrenmektedir. Bilim adamları Yapay Zekâyı nasıl öğrenecekleri konusunda eğitememektedir ve buna karşılık AI, bilim adamına bir şeyi nasıl öğrendiğini söyleyememektedir.
Mikroskopi ve Yapay Zekâ İçin Gelecek
AI’nın mikroskopi tekniklerine katılımı henüz emekleme aşamasındadır ve önümüzdeki yıllarda daha fazla gelişme beklenebilmektedir. Günümüzde, hücre tipinin tanımlanmasına, araştırma ve teşhis amaçlı hücre örneklerinin daha derin analizine yardımcı olmaktadır. Ayrıca, biyomedikal uygulamalar için olasılıkların genişletilmesine yardımcı olmaktadır. Son olarak, araştırmacıların mikroskopi verilerini nasıl topladıkları ve analiz ettikleri açısından statükoyu değiştirmektedir.
Yapay Zeka, Yüksek Çözünürlüklü Mikroskopiyi Hızlandırır
ANNA PALM, 20 nm ila 2 mm arasında değişen uzamsal ölçeklerde binlerce hücreyi görüntülemek için kullanılabilmektedir. Institut Pasteur’dan bilim adamları, optik mikroskopide uzaysal-zamansal çözünürlüğü artırmak için bir yöntem geliştirmişlerdir. ANNA-PALM adı verilen bu yöntem, yapay zeka ve daha spesifik olarak çok konuşulan derin öğrenmedeki son gelişmelere dayanmaktadır. Geleneksel optik mikroskoplar, 200 ila 300 nm aralığındaki yapıları ayırt etmek için kullanılabilmektedir, ancak daha küçük değildir. Tinier nesneleri, mikroskop altında ışık lekeleri olarak görülmektedir ve içyapıları görünmemektedir. Bu, örneğin, Institut Pasteur Görüntüleme ve Modelleme Birimi başkanı Christophe Zimmer açıklamaktadır. Bu çözümleme sorununun üstesinden gelmek için, 2006’da ortaya çıkan ve tek molekül lokalizasyonuna dayanan PALM ve STORM teknikleri gibi süper çözünürlük mikroskopi yöntemleri geliştirilmiştir. Bu yöntemler yapıları 20 nm aralığa kadar çözebilmektedir, ancak son derece yavaştır.
Süper çözünürlüklü mikroskopiyi hızlandırmak için Institut Pasteur’dan bilim adamları ANNA-PALM adlı yeni bir yöntem geliştirmişlerdir. Bu teknik, hızla elde edilen düşük çözünürlüklü görüntülerden süper çözünürlüklü görüntüleri yeniden yapılandırmak için yapay sinir ağlarını kullanmaktadır. Mikrotübüller, nükleer gözenekler ve mitokondriler üzerindeki simülasyonlar ve deneyler, süper çözünürlüklü görüntülerin kayda değer çözünürlükten ödün vermeden önemli ölçüde daha kısa sürede elde edilen verilerden yeniden oluşturulabileceğini göstermektedir. Doğru koşullar altında, ANNA-PALM süper çözünürlüklü mikroskopiyi 10 ila 100 faktör hızlandırabilmektedir.
Hızdaki bu artış sayesinde, ANNA-PALM birkaç hücrede binlerce hücrenin süper çözünürlüklü görüntülerini elde etmek için kullanılabilmektedir ve bu neredeyse imkânsızdır. Edinme süresinde ve lazer ışınlamasındaki şiddetli azalma sayesinde, ANNA-PALM canlı hücrelerin süper çözünürlüklü görüntülemesini büyük ölçüde kolaylaştırmaktadır. Ayrıca bu yöntem, örneğin kimyasal moleküllerin terapötik amaçlar için yüksek verimli taranması gibi başka olasılıklar da açmaktadır. Son olarak Institut Pasteur, Christophe Zimmer ekibinin bu çalışmayı gerçekleştirmesine izin veren GPU’ları (Grafik İşlem Birimleri) içeren bilgi işlem kaynakları sağlamaktadır.
Kaynakça:
www.the-scientist.com/…/artificial-intelligence-sees-more-in-microscopy-than-humans-do-65746
https://www.cell.com/cell/fulltext/S0092-8674(18)30364-7
https://www.nature.com/articles/s41598-019-54961-x#citeas
portlandpress.com/…/Artificial-intelligence-for-microscopy-what-you
Yazar: Özlem Güvenç Ağaoğlu
Güzel bir yazı daha…