Des scientifiques de l'Université de Caroline du Nord à Chapel Hill ont créé une nouvelle méthode de suivi des particules basée sur l'apprentissage automatique qui est beaucoup plus précise et offre une meilleure automatisation que les techniques actuellement utilisées.

Le suivi d'une seule particule implique le suivi du mouvement de particules individuelles, comme les virus, cellules et nanoparticules chargées de médicament, dans les fluides et les échantillons biologiques. La technique est largement utilisée dans les sciences physiques et de la vie. L'équipe de l'UNC-Chapel Hill qui a développé la nouvelle méthode de suivi utilise le suivi des particules pour développer de nouvelles façons de traiter et de prévenir les maladies infectieuses. Ils examinent les interactions moléculaires entre les anticorps et les biopolymères et caractérisent et conçoivent des transporteurs de médicaments de taille nanométrique. Leurs travaux sont publiés dans le Actes de l'Académie nationale des scientifiques .

"Afin de tirer du sens des vidéos, il faut convertir les vidéos en données quantitatives, " a déclaré Sam Lai, Doctorat., professeur agrégé à l'UNC Eshelman School of Pharmacy et l'un des créateurs du nouveau tracker. "Avec les logiciels actuels, les chercheurs doivent surveiller attentivement la conversion vidéo pour garantir l'exactitude. Cela prend souvent plusieurs semaines, voire plusieurs mois, et limite considérablement à la fois le débit et la précision.

"Nous nous sommes fatigués du goulot d'étranglement."

La racine du problème peut être attribuée au petit nombre de paramètres, comme la taille des particules, luminosité et forme, utilisé par les logiciels actuels pour identifier la gamme complète de particules présentes dans n'importe quelle vidéo. Des choses sont manquées parce qu'elles ne correspondent pas tout à fait aux paramètres, et les paramètres varient au fur et à mesure que différents opérateurs les définissent, Alison Schaefer, un doctorat étudiant au Lai lab, mentionné. Cela crée un énorme défi avec la reproductibilité des données, car deux utilisateurs analysant la même vidéo obtiennent fréquemment des résultats différents.

"Les voitures autonomes fonctionnent car elles peuvent voir et suivre de nombreux objets différents autour d'elles en temps réel, " dit M. Grégoire Forest, Doctorat., le Grant Dahlstrom Distinguished Professor dans les départements de mathématiques et de sciences physiques appliquées de l'UNC, et co-auteur principal du projet.

"Nous nous sommes demandé si nous pouvions créer une version de ce type d'intelligence artificielle qui pourrait suivre des milliers de particules nanométriques à la fois et le faire automatiquement."

Comme il s'avère, ils ont pu et ont utilisé leur découverte pour lancer des solutions de suivi de l'IA basées sur Chapel Hill, qui cherche à commercialiser la nouvelle technologie. La société a reçu un prix Small Business Technology Transfer des National Institutes of Health pour commercialiser la technologie.

Lai et ses collaborateurs du département de mathématiques de l'UNC ont conçu un réseau de neurones artificiels pour travailler sur leur problème. Les réseaux de neurones sont vaguement basés sur le cerveau humain mais apprennent en se nourrissant d'un grand nombre d'exemples. Par exemple, si un réseau de neurones a besoin de reconnaître des photos de chiens, il est montré beaucoup de photos de chiens. Il n'a pas besoin de savoir à quoi ressemble un chien; il le découvrira à partir des éléments communs des photographies. Meilleurs sont les exemples, meilleur sera le réseau de neurones.

L'équipe de l'UNC a d'abord enseigné le traqueur de réseau neuronal à partir d'un ensemble de données générées par ordinateur. Ils ont ensuite affiné le tracker en utilisant des données de haute qualité provenant d'expériences antérieures menées dans le laboratoire de Lai. Le résultat a été un nouveau tracker avec des milliers de paramètres bien réglés qui peuvent traiter une gamme très diversifiée de vidéos de manière entièrement automatique, est au moins 10 fois plus précis que les systèmes actuellement utilisés, est hautement évolutif, et possède une reproductibilité parfaite, dit Laï. L'équipe a documenté leurs réalisations dans les Actes de la National Academy of Sciences.

Le nouveau système est prêt juste à temps pour prendre en charge la disponibilité croissante de microscopes puissants capables de collecter des téraoctets de vidéo 2D et 3D haute résolution en une seule journée, dit Jay Newby, Doctorat., auteur principal de l'étude et professeur adjoint à l'Université de l'Alberta.

« Le suivi du mouvement des particules à l'échelle nanométrique est essentiel pour comprendre comment les agents pathogènes franchissent les barrières muqueuses et pour la conception de nouvelles thérapies médicamenteuses, " Newby a déclaré. "Notre avancement fournit, tout d'abord, automatisation considérablement améliorée. En outre, notre méthode améliore considérablement la précision par rapport aux méthodes actuelles et la reproductibilité entre les utilisateurs et les laboratoires."