Des chercheurs de l'Université de l'Illinois Urbana Champaign ont développé une nouvelle technique qui combine l'imagerie sans étiquette avec l'intelligence artificielle pour visualiser des cellules vivantes non étiquetées sur une période prolongée. Cette technique a des applications potentielles dans l'étude de la viabilité cellulaire et de la pathologie.

L'étude « Imagerie de phase avec spécificité computationnelle (PICS) pour mesurer les changements de masse sèche dans les compartiments subcellulaires » a été publiée dans Communication Nature .

"Notre laboratoire est spécialisé dans l'imagerie sans étiquette, qui nous permet de visualiser les cellules sans utiliser de produits chimiques toxiques, " a déclaré Gabriel Popescu, professeur de génie électrique et informatique et directeur du Quantitative Light Imaging Laboratory de l'Institut Beckman pour la science et la technologie avancées. "Toutefois, nous ne pouvons pas mesurer les attributs spécifiques de la cellule sans utiliser de colorants fluorescents toxiques. Nous avons résolu ce problème dans cette étude."

"Nous avions cette idée que les méthodes de calcul pourraient estimer à quoi ressemblerait l'échantillon sans tuer réellement les cellules, " a déclaré Mikhaïl Kandel, un étudiant diplômé du groupe Popescu.

Les chercheurs ont d'abord imagé les cellules sur plusieurs jours à l'aide de leur technique non destructive sans marquage. A la fin de l'expérience, ils ont coloré les échantillons et utilisé l'apprentissage en profondeur, qui est un sous-ensemble de l'apprentissage automatique, pour savoir où seraient situés les colorants fluorescents. "Cela nous permet d'estimer la tache dans nos films initiaux sans réellement colorer les cellules, " a déclaré Kandel.

"Bien que l'IA ait été utilisée dans le passé pour créer un type d'imagerie à partir d'un type de coloration différent, nous avons pu le programmer pour analyser les images en temps réel, " a déclaré Popescu. " En utilisant l'apprentissage en profondeur, nous avons pu examiner des cellules qui n'avaient jamais été marquées avec aucun colorant, et l'algorithme a pu localiser avec précision différentes parties de la cellule."

"Un autre avantage de la technique est que nous pouvons effectuer des expériences sur plusieurs jours. Les cellules restent vivantes même après plus d'une semaine, " dit Yuchen He, un étudiant diplômé du groupe Popescu. "Cela ne peut pas être fait avec des colorants fluorescents car la toxicité chimique pourrait tuer les cellules."

"Cette étude a mis en évidence le potentiel des techniques basées sur l'IA pour apprendre des modèles compliqués tels que la concentration de colorants spécifiques, qui dépasse les capacités de l'œil nu, " a déclaré Kandel. " Plus nous pourrons enseigner notre méthode à reconnaître les modèles, plus il est possible d'effectuer de types d'expériences sans avoir à tuer les cellules. »

Les chercheurs tentent maintenant d'adapter des algorithmes d'apprentissage en profondeur à différentes lignées cellulaires et échantillons biologiques. « La formation de modèles d'apprentissage en profondeur nécessite une grande quantité de données, car nous voulons nous assurer qu'ils fonctionnent bien dans différents scénarios. Heureusement, nos instruments d'imagerie nous permettent de générer facilement les données d'entraînement nécessaires de manière efficace, " Il a dit.

"Ces algorithmes de deep learning peuvent être utilisés pour plusieurs applications, " a déclaré Popescu. " Nous pouvons évaluer la viabilité des cellules sur une longue période sans étiqueter les cellules, nous pouvons différencier différents types de cellules dans les maladies, et nous pouvons étudier différents processus cellulaires."