Un equipo de investigación de UCLA ha ideado una técnica que amplía las capacidades de la microscopía de fluorescencia, que permite a los científicos etiquetar con precisión partes de células vivas y tejidos con tintes que brillan bajo una iluminación especial. Los investigadores utilizan inteligencia artificial para convertir imágenes bidimensionales en pilas de cortes tridimensionales virtuales que muestran la actividad dentro de los organismos.

En un estudio publicado en Métodos de la naturaleza , los científicos también informaron que su marco, llamado "Deep-Z, "pudo corregir errores o aberraciones en las imágenes, como cuando una muestra está inclinada o curva. Más lejos, demostraron que el sistema podía tomar imágenes 2-D de un tipo de microscopio y crear virtualmente imágenes 3-D de la muestra como si fueran obtenidas por otro, microscopio más avanzado.

"Este es un método nuevo muy poderoso que está habilitado por el aprendizaje profundo para realizar imágenes en 3D de especímenes vivos, con la menor exposición a la luz, que puede ser tóxico para las muestras, "dijo el autor principal Aydogan Ozcan, Profesor de ingeniería eléctrica e informática del rector de UCLA y director asociado del California NanoSystems Institute de UCLA.

Además de proteger a las muestras de dosis de luz potencialmente dañinas, Este sistema podría ofrecer a los biólogos e investigadores de las ciencias de la vida una nueva herramienta para la obtención de imágenes en 3D que es más simple, más rápido y mucho menos costoso que los métodos actuales. La oportunidad de corregir las aberraciones puede permitir a los científicos que estudian organismos vivos recopilar datos de imágenes que de otro modo serían inutilizables. Los investigadores también podrían obtener acceso virtual a equipos costosos y complicados.

Esta investigación se basa en una técnica anterior que Ozcan y sus colegas desarrollaron que les permitió renderizar imágenes de microscopio de fluorescencia 2-D en superresolución. Ambas técnicas hacen avanzar la microscopía al confiar en el aprendizaje profundo, utilizando datos para "entrenar" una red neuronal, un sistema informático inspirado en el cerebro humano.

Deep-Z se enseñó utilizando imágenes experimentales de un microscopio de fluorescencia de barrido, que toma fotografías enfocadas a múltiples profundidades para lograr imágenes tridimensionales de muestras. En miles de carreras de entrenamiento, la red neuronal aprendió a tomar una imagen 2-D e inferir cortes 3D precisos a diferentes profundidades dentro de una muestra. Luego, el marco se probó a ciegas, alimentado con imágenes que no formaban parte de su entrenamiento, con las imágenes virtuales en comparación con los cortes reales en 3D obtenidos de un microscopio de barrido, proporcionando una excelente combinación.

Ozcan y sus colegas aplicaron Deep-Z a imágenes de C. elegans, una lombriz intestinal que es un modelo común en neurociencia debido a su sistema nervioso simple y bien entendido. Convertir una película 2-D de un gusano en 3-D, cuadro por cuadro, los investigadores pudieron rastrear la actividad de neuronas individuales dentro del cuerpo del gusano. Y comenzando con una o dos imágenes 2-D de C. elegans tomadas a diferentes profundidades, Deep-Z produjo imágenes virtuales en 3-D que permitieron al equipo identificar neuronas individuales dentro del gusano, haciendo coincidir la salida 3-D de un microscopio de barrido, excepto con mucha menos exposición a la luz del organismo vivo.

Los investigadores también encontraron que Deep-Z podía producir imágenes 3-D a partir de superficies 2-D donde las muestras estaban inclinadas o curvadas, aunque la red neuronal se entrenó solo con cortes 3-D que eran perfectamente paralelos a la superficie de la muestra.

"Esta característica fue realmente muy sorprendente, "dijo Yichen Wu, un estudiante graduado de UCLA que es co-primer autor de la publicación. "Con eso, puede ver a través de la curvatura u otra topología compleja que es muy difícil de visualizar ".

En otros experimentos, Deep-Z se entrenó con imágenes de dos tipos de microscopios de fluorescencia:campo amplio, que expone toda la muestra a una fuente de luz; y confocal, que utiliza un láser para escanear una muestra parte por parte. Ozcan y su equipo demostraron que su marco podría usar imágenes de microscopio de campo amplio 2-D de muestras para producir imágenes 3-D casi idénticas a las tomadas con un microscopio confocal.

Esta conversión es valiosa porque el microscopio confocal crea imágenes más nítidas, con más contraste, en comparación con el campo amplio. Por otra parte, el microscopio de campo amplio captura imágenes a un costo menor y con menos requisitos técnicos.

"Esta es una plataforma que generalmente se aplica a varios pares de microscopios, no solo la conversión de campo amplio a confocal, "dijo el co-primer autor Yair Rivenson, Profesor adjunto adjunto de UCLA de ingeniería eléctrica e informática. "Cada microscopio tiene sus propias ventajas y desventajas. Con este marco, puede obtener lo mejor de ambos mundos utilizando IA para conectar diferentes tipos de microscopios digitalmente ".

Otros autores son los estudiantes de posgrado Hongda Wang y Yilin Luo, becario postdoctoral Eyal Ben-David y Laurent Bentolila, director científico del Laboratorio de Espectroscopia y Microscopía de Luz Avanzada del Instituto de NanoSystems de California, toda UCLA; y Christian Pritz de la Universidad Hebrea de Jerusalén en Israel.