Info

AI CARE for You

Helena Jambor


Info

Dresden: Computerwissenschaftler machen Mikroskopiker mit Künstlicher Intelligenz (KI) glücklich!

jc_19_03_02a
Prinzip des RNA-Editing „made in Tübingen“. Illustr.: Paul Vogel

Scharfe Bilder brauchen viel Licht oder eine lange Belichtungszeit. Zu viel Licht aber schädigt Zellen, die außerdem immer in Bewegung sind. In der Mikroskopie werden Bilder daher oft bei kurzer Belichtungszeit und geringer Laserleistung aufgenommen. Das Ergebnis: unscharfe und verrauschte Aufnahmen.

Computerwissenschaftler am Center for Systems Biology in Dresden (CSBD) haben eine Software entwickelt, die dieses Problem umgeht (Nature Methods 15: 1090-7 beziehungsweise BioRxiv, doi: 10.1101/236463). Die auf Artificial Intelligence basierende Software CARE (Content-Aware Image REstoration) kann aus verrauschten Mikroskopiedaten gestochen scharfe Bilder errechnen. Damit können Biologen hochaufgelöste Aufnahmen und Filme von Zellen bekommen, ohne lichtinduzierte Schäden zu verursachen.

Info
Big-Data-Probleme in der Mikroskopie

Der Fokus der Forschergruppe um Florian Jug und Eugene Myers liegt schon länger auf Big Data in der Mikroskopie. Bei In-vivo oder Lichtscheibenmikroskopie kommen schnell Daten von einigen Giga- oder Tera­bytes zusammen. Diese müssen vor der Analyse entrauscht und dekonvolviert (geschärft) werden, was mit bisherigen Verfahren zeit- und rechenintensiv ist.

Eine neue Methode in den Computerwissenschaften ist Maschinelles Lernen mit neuronalen Netzwerken. Hierbei werden Computer mit Daten gefüttert und lernen, mit diesen eine bestimmte Aufgabe zu lösen. Dieser Ansatz steckt zum Beispiel hinter den Erfolgen von Computern bei Brettspielen wie Schach und Go oder dem Übersetzungstool Deepl. Es lag also nahe, Maschinelles Lernen auch zur Dekonvolution von biologischen Bildern einzusetzen.

Plötzlich eine klare Struktur

Der Erstautor der Studie Martin Weigert sagt zu diesem Ansatz: „Es war schon bekannt, dass maschinelles Lernen für 2D-Bilder eigentlich sehr gute Ergebnisse liefert. Was wir machen mussten, war das auf biologische Daten zu übertragen.“

Den Dresdener Systembiologen war also klar, dass Maschinelles Lernen bei der Dekonvolution von Bildern einsetzbar ist. Dennoch schoben sie das Projekt vorerst auf, erst kurz vor der Weihnachtspause 2016 probierte Weigert es endlich aus. Die Ergebnisse waren allerdings so überragend, dass er zunächst von einem Fehler ausging. Weigert: „Ich habe dann Loïc [Royer; ebenfalls Autor der Studie] gerufen, und wir dachten: Wie geht das? Das kann doch nicht sein, da muss doch ein Fehler sein!“

Es war kein Fehler. Endgültig überzeugt war Weigert, als er Aufnahmen von Drosophila sah. Im verrauschten Originalbild waren für das menschliche Auge keine Strukturen erkennbar. Nachdem der Vorläufer der CARE-Software eine optimierte Version der Aufnahme errechnet hatte, war die Verteilung eines Proteins in der Membran der Flügel plötzlich klar zu sehen.

Um Maschinelles Lernen für biologische Bilder zu adaptieren, musste das Forscherteam mehrere Herausforderungen meistern: Mikroskope bilden punktförmige Objekte ab, ihre Bilder sind oft drei- oder vierdimensional, zudem haben biologische Materialien unterschiedliche Dichten – und Kameras bestimmte Sensitivitäten.

Info

Info

Erhalten Sie Top Angebote auf eine Vielzahl von Eppendorf Laborgeräten – einfach online einkaufen! mehr

Glückliche Käfer-Embryonen

CARE beschleunigt nicht nur die Dekonvolution. Neben großen Datensätzen ist auch Phototoxizität ein Problem der In-vivo-Mikro­skopie. Wenn Embryonen tagelang im Mikro­skop beobachtet werden, sterben manche während der Aufnahme. Akanksha Jain, eine der Mitautoren der Studie, interessiert sich für die frühe Entwicklung von Käfern der Gattung Tribolium: „Selbst wenn meine Käfer nicht sterben, bin ich in Sorge, dass es bei der Laserleistung, die ich für gute Bilder benötige, zu Artefakten kommt.“ Mit CARE ist dieses Problem für Jain erstmal behoben. „Sobald das neuronale Netzwerk von CARE trainiert ist, kann ich bei nur 0,1 Prozent Laserleistung mikroskopieren. Da sieht man erstmal nichts, doch die Bilder lassen sich mit CARE später rekonstruieren. Es ist umwerfend, wie gut das geht.“ Bisher konnte CARE bei jedem getesteten Gewebe und Modellorganismus überzeugen – etwa bei Mausleber, Retina von Zebrafischen, Drosophila-Embryonen sowie Flügeln, Plattwürmern und Tribolium-Käfern.

jc_19_03_02b
Prinzip des RNA-Editing „made in Tübingen“. Illustr.: Paul Vogel
Wie funktioniert CARE?

Um das CARE-Netzwerk zu trainieren, braucht man wenige, aber vergleichbare Bilder. Diese müssen am gleichen Mikroskop, von der gleichen Gewebeart und mit gleichen Markern aufgenommen werden wie später beim Experiment. Der Datensatz muss außerdem aus Bildpaaren bestehen, die jeweils bei geringer oder hoher Laserstärke aufgenommen wurden. Aus den typischen Abweichungen kann CARE dann die Korrekturwerte errechnen.

Installation leicht gemacht

In der Praxis können die Bilder zum Beispiel am Anfang und Ende eines Experiments gemacht oder nachträglich erstellt werden. Sobald ein CARE-Netzwerk errechnet wurde, kann dieses immer wieder für weitere Experimente verwendet werden.

Die Anforderungen an das Mikroskop sind ebenfalls gering: CARE ist mit jedem Mikroskop kompatibel. Einzige Voraussetzung ist, dass der Anwender die Laserintensität variieren kann, um Kontrollbilder aufzunehmen.

Ebenfalls unproblematisch sieht Forschungsgruppenleiter Jug die Anwendung der Software. Die größte Schwierigkeit ist seiner Ansicht nach, dass die Leute die Installation am Computer nicht schafften. Hier hat das Team vorgesorgt: Die Publikation begleitet eine detaillierte Online-Dokumentation, die Schritt für Schritt erklärt, wie CARE mit Windows oder Linux funktioniert.

Mathematik für den Papierkorb

Im Zuge der anhaltenden Replikationskrise stellt sich die Frage, ob und wann CARE Ergebnisse verfälschen kann. Nachdem Weigert das Netzwerk in seiner ersten Form in nur wenigen Tagen zum Laufen gebracht hatte, dauerte es rund ein Jahr, bis die Wissenschaftler endlich überzeugt waren. „Wir mussten herausfinden: Kann ich dem Netzwerk vertrauen?“, erzählt Florian Jug. Dies überprüfte das Team mit zwei Ansätzen. Zum einen konnten sie zeigen, dass unabhängige Netzwerke vergleichbare Ergebnisse liefern. Das ist so, als würden verschiedene Menschen eine Rechenaufgabe lösen. Der Rechenweg kann variieren, aber die Ergebnisse müssen übereinstimmen.

Info

Der andere Ansatz war zu fragen, ob die Varianz auf Einzelpixel-Basis sichtbar ist – das ist nicht der Fall. Die Dresdener Gruppe konnte zeigen, dass CARE keine Daten einfügt oder Fehler einbaut – es kann einzig errechnen, was in Kontrollbildern auch schon da ist.

CARE „zaubert“ also aus unscharfen, hochauflösende Bilder und erlaubt Forschern, bessere Aufnahmen zu erhalten, ohne in bessere Mikroskope investieren zu müssen. Weigert beendet mit dem Projekt seine Doktorarbeit – aber die nächsten Aufgaben warten schon. Eine Methode ist in Planung, die optimierte Bilder komplett ohne Referenzbild berechnet. Der einzige Wermutstropfen für Weigert: Seine mathematischen Berechnungen, mit denen er ursprünglich die Bilder verbessern wollte, wurden von den angelernten neuronalen CARE-Netzen mit Leichtigkeit übertroffen – und landeten allesamt im Papierkorb.



Letzte Änderungen: 10.10.2019

Diese Website benutzt Cookies. Wenn SIe unsere Website benutzen, stimmen SIe damit unserer Nutzung von Cookies zu. Zur ausführlichen Datenschutzinformation