Suivi De Particules Individuelles À L'échelle Nanométrique : L'équipe De Fang Ning À L'université De Xiamen Utilise L'ia Pour Jouer À « Rock in the Cell »

Dans le monde microscopique, chaque cellule est une ville animée, et les molécules sont les résidents de cette ville. Imaginez si nous pouvions suivre chaque mouvement de ces habitants, peut-être pourrions-nous découvrir une nouvelle couche du mystère de la vie. C’est l’objectif ambitieux des scientifiques qui effectuent un suivi 3D de particules uniques (SPT) dans des cellules vivantes. Cette technologie permet aux gens d’observer chaque mouvement des molécules dans les cellules et de comprendre comment elles interagissent les unes avec les autres pour construire des organismes vivants complexes.

Cependant, un suivi précis dans le monde microscopique n’est pas facile. Imaginez que dans un film de fusillade, suivre une balle se déplaçant rapidement soit déjà assez difficile, mais les molécules se déplacent beaucoup plus vite que les balles, et la complexité de leurs trajectoires de mouvement dépasse l'imagination.Le défi auquel sont confrontés les scientifiques est aussi difficile que d’essayer de suivre la trajectoire de chaque flocon de neige dans un ciel rempli de flocons de neige.

Afin de suivre le mouvement des molécules en temps réel et avec précision dans l'espace tridimensionnel des cellules,L'équipe du professeur Fang Ning de l'Université de Xiamen a développé un système de suivi de particules unique automatisé, à grande vitesse et multidimensionnel basé sur l'apprentissage profond.Il brise les limites du suivi de la rotation des nanoparticules dans le microenvironnement cellulaire et permet un suivi complet et précis des molécules individuelles/nanoparticules individuelles dans les cellules vivantes à l'échelle nanométrique. Il suit non seulement leur déplacement dans l’espace tridimensionnel, mais observe également pour la première fois le mouvement de rotation des molécules/nanoparticules. Actuellement, l’article a été publié dans la revue faisant autorité Nano Letters.

Points saillants de la recherche :

• Un système de suivi de particules unique intégré à un algorithme d'apprentissage en profondeur a été construit pour surmonter la limitation du suivi de rotation dans des conditions de faible rapport signal/bruit (S/N). 

• Le système peut être utilisé pour suivre l'orientation 3D de sondes de nanoparticules d'or anisotropes dans des cellules vivantes avec une précision de localisation élevée (<10 nm) et une résolution spatio-temporelle (0,9 ms)
• Le système présente une meilleure robustesse et une meilleure résistance au bruit que les méthodes traditionnelles et s’est avéré efficace en étudiant le mouvement de la cargaison le long des microtubules dans les cellules vivantes.

Adresse du document :
https://doi.org/10.1021/acs.nanolett.3c04870
Suivez le compte officiel et répondez « Single Particle Tracking » pour obtenir le PDF complet

Système SPT : système de suivi automatique, à grande vitesse et multidimensionnel de particules uniques

Pour acquérir une compréhension plus complète des processus dynamiques dans les cellules vivantes, l’étude a d’abord développé un dispositif d’imagerie multidimensionnelle :

Comme le montre la figure ci-dessus, le dispositif d'imagerie intègre l'imagerie du plan bifocal, la microscopie parallaxe et les capacités de suivi automatique.

Imagerie à double plan focal

Une fois que le faisceau lumineux traverse le condenseur, il traverse la lentille d'objectif (OBJ) et le scanner d'objectif (OS). En insérant un séparateur de faisceau (BS) avec un rapport réflexion-transmission de 7:3 dans le trajet de la lumière de collecte, le signal collecté peut être divisé en deux canaux d'imagerie (canal de mise au point et canal de défocalisation), réalisant ainsi une imagerie à double plan focal. L'insertion d'une lentille convexe de 750 mm (L1 dans la figure ci-dessus) dans le canal de défocalisation crée une séparation axiale d'environ 900 nm entre le canal de mise au point et le canal de défocalisation, produisant ainsi le motif de défocalisation le plus approprié.

Microscope à parallaxe

Le signal acquis est divisé par un prisme en coin (WP) en deux images en miroir et alignées verticalement. L'appareil établit la relation précise entre Δy et Δz et construit une courbe d'étalonnage en enregistrant la distance entre deux images de la sonde à différentes positions de l'axe z. La position de l'axe z de la sonde est ensuite déterminée en calculant la distance entre les deux points miroirs de la sonde dans le plan xy.

Fonction de suivi automatique

L'appareil intègre un système de suivi de rétroaction automatique, composé d'un scanner d'objectif piézoélectrique (p-725.4CD) et d'un contrôleur (E-709). Lorsque le mouvement de l'axe z de la sonde entraîne une modification de la distance entre les deux points du miroir, le programme de suivi automatique calcule la distance que le scanner cible doit parcourir en fonction de la valeur de modification.

Architecture du modèle : couche d'entrée + 4 blocs convolutifs + 3 couches entièrement connectées

Pour garantir la diversité de la distribution des données, cette étude a mélangé la même proportion de données simulées et de données expérimentales pour la formation et la vérification en mettant à l'échelle les images, en ajoutant différents degrés de bruit gaussien et en effectuant des transformations de position.

Inspirée du modèle Visual Geometry Group (VGG), cette étude a construit un modèle de réseau neuronal convolutif en mappant l'image d'entrée sur des directions tridimensionnelles (angle d'azimut φ et angle polaire θ).

D’une manière générale, le nombre de blocs convolutifs est crucial pour l’extraction de caractéristiques d’image multicouche avec arrière-plan. Par conséquent, cette étude a testé les architectures CNN en utilisant 1 à 4 blocs convolutifs.Les résultats montrent que le modèle CNN avec 4 blocs convolutifs présente la plus petite erreur.

D'après les résultats,Le modèle CNN de cette étude se compose finalement d'une couche d'entrée, de 4 blocs convolutifs et de 3 couches entièrement connectées (FC).dans:

• La couche d'entrée accepte une image de taille fixe et la convertit en un tenseur à transmettre.

• Les 4 blocs convolutifs contiennent plusieurs couches convolutives et couches de pooling :  

  un. Les quatre blocs de convolution contiennent respectivement 64, 128, 256 et 512 noyaux de convolution. La taille de tous les noyaux de convolution est de 3×3. Chaque couche de convolution passe par une normalisation par lots et une fonction d'activation d'unité linéaire rectifiée (ReLU) pour garantir que le modèle peut converger plus rapidement et éviter le surajustement, tout en améliorant la capacité de mappage non linéaire du réseau neuronal ;

    b. La couche de pooling réduit les paramètres de calcul du réseau tout en garantissant l'invariance de la traduction.

• Les trois couches entièrement connectées, contenant respectivement 2048, 2048 et 451 neurones, peuvent intégrer les caractéristiques extraites par les couches convolutives et de regroupement dans des expressions de niveau supérieur, permettant au réseau de prendre des décisions et des classifications plus complexes.

En étudiant les courbes de perte des trois modèles CNN-exp, CNN-sim et CNN-sim+exp, les résultats montrent que pour l'ensemble de données simulées,Le modèle CNN peut atteindre la convergence après 30 époques.En revanche, l’entraînement utilisant l’ensemble de données expérimentales nécessite environ 90 époques pour converger. De plus, la vitesse de convergence du modèle CNN-sim+exp est relativement rapide.

Évaluation de la résistance au bruit et recherche sur le mouvement des marchandises : le modèle CNN présente plus d'avantages

Dans les applications pratiques, la haute résolution spatio-temporelle et la viabilité cellulaire affectent l’imagerie des cellules vivantes. Par conséquent, cette étude a testé la résistance au bruit et la robustesse du modèle CNN dans différentes conditions de rapport signal/bruit telles que 4, 2 et 1,4, et l'a comparée à la méthode traditionnelle CC (coefficient de corrélation).

Les résultats de la recherche montrent que lorsque le rapport signal/bruit est de 4, les méthodes CNN et CC présentent toutes deux de bonnes performances et de faibles erreurs, les erreurs étant inférieures à 2° ; lorsque le rapport signal sur bruit tombe à 2, l’augmentation de l’erreur de la méthode CNN n’est que d’un cinquième de celle de la méthode CC ; lorsque le rapport signal sur bruit est de 1,4, la méthode CC ne peut pas distinguer la direction des particules, tandis que l'erreur du modèle CNN est toujours dans une plage acceptable.

Cela montre que dans un environnement à faible SNR, le modèle CNN est plus résistant au bruit et plus robuste que la méthode CC.

L'énergie générée par l'hydrolyse de l'ATP est le « moteur » qui pousse les molécules à l'intérieur de la cellule à transporter la cargaison. Par conséquent, les mouvements de translation et de rotation caractéristiques de la cargaison peuvent fournir une mine d'informations sur l'état de liaison de la cargaison à la kinésine et offrir une nouvelle perspective pour élucider l'étude des interactions cargaison-moteur-microtubules. En termes simples, cette étude a utilisé un dispositif d’imagerie SPT multidimensionnel à grande vitesse automatique combiné à un modèle d’apprentissage profond (modèle CNN-sim+exp) pour étudier le processus dynamique des protéines motrices transportant la cargaison le long du squelette des microtubules dans les cellules vivantes.

Pendant tout le processus de transport, la cargaison est passée par deux étapes de pause et plusieurs étapes de transport actif.

Au cours de la première pause, la cargaison a peu de liberté de rotation, ce qui suggère qu'elle est dans un mode étroitement attaché. Entre les deux phases de pause, la cargaison est dans une phase de transport actif.Le système de suivi automatique a enregistré un déplacement axial d’environ 300 nm.Ceci est difficile à obtenir avec les méthodes d’imagerie traditionnelles.

Dans la deuxième phase de pause, l'état de mouvement de la cargaison est constamment commuté entre une fixation serrée et une rotation attachée. Dans le mode de fixation serrée, la cargaison peut être fermement attachée aux microtubules par l'intermédiaire d'une variété de protéines motrices et tourne rarement librement. Dans le mode de rotation attaché, la cargaison est faiblement liée aux microtubules et recherche et se connecte constamment à de nouveaux microtubules. En général,Cette série de mouvements met en évidence la dynamique et la complexité du trafic intracellulaire et le rôle des kinésines dans la facilitation du mouvement de la cargaison le long des voies des microtubules.

Après avoir travaillé aux États-Unis pendant 13 ans, il est retourné dans son alma mater

Sur la base de recherches approfondies sur les chercheurs, l'auteur correspondant de cet article, le professeur Fang Ning de l'Université de Xiamen, est arrivé à notre point de vue. Du point de vue de l’expérience d’étude,Le professeur Fang Ning est un modèle de « recherche du succès et de don à son alma mater ».

En 1998, après avoir obtenu son diplôme du Département de chimie de l'Université de Xiamen, le professeur Fang Ning a mené des recherches doctorales et postdoctorales à l'Université de la Colombie-Britannique au Canada et au Laboratoire national Ames du Département de l'énergie des États-Unis, respectivement sous la supervision du professeur David DYChen et du professeur Edward S. Yeung, un chimiste analytique de renommée internationale.

Après avoir travaillé aux États-Unis pendant 13 ans, le professeur Fang Ning a été promu professeur titulaire à l’Université d’État de Géorgie. Afin d'apporter des contributions au domaine de l'imagerie optique dans le pays, le professeur Fang Ning est retourné en Chine à temps plein en 2021.Il a rejoint l'École de chimie et de génie chimique de l'Université de Xiamen en tant que professeur distingué, développant des technologies d'imagerie chimique et bio-optique. S’appuyant sur ces outils révolutionnaires, il a mené des recherches sur des molécules et des particules uniques dans les domaines des nanomatériaux, de la catalyse et de la biophysique. À ce jour, il a publié plus de 90 articles dans des revues telles que Nature Catalysis, Nature Cell Biology, Chemical Reviews, Nature Communications, Science Advances, JACS et Angewandte Chemie.

À l'heure actuelle, le professeur Fang Ning a construit de manière indépendante un laboratoire de microscopie à molécule unique, à particule unique et optique à l'Université de Xiamen. En se concentrant sur le domaine de l'imagerie optique des molécules et des nanomatériaux, il a développé six grandes directions de recherche en Chine, notamment la technologie de suivi de rotation de particules individuelles, la spectroscopie Raman + imagerie avancée, l'imagerie par balayage de feuille laser, l'imagerie optique à super-résolution, la fluorescence par réflexion interne totale et le champ sombre par réflexion interne totale. Il a réalisé des progrès remarquables dans les domaines de la microscopie à molécule unique, à particule unique et optique.

Dès 2021,L'équipe du professeur Fang Ning a développé un nouveau système de suivi de rotation de particules individuelles et une technologie de suivi de particules individuelles à angle tridimensionnel.Des progrès révolutionnaires ont été réalisés dans l’élucidation du mécanisme de l’endocytose médiée par les récepteurs et dans l’analyse de la dynamique rotationnelle du transport des vésicules dans les cellules en temps réel. Face à la vague déferlante de l’IA, l’équipe a pleinement pris conscience de la valeur exceptionnelle de la technologie de l’IA dans le domaine de l’imagerie optique. Cette étude constitue la première étape de l’utilisation de l’apprentissage profond et de l’imagerie assistée par l’IA pour étudier les processus vitaux des cellules vivantes.

L'équipe du professeur Fang Ning estime queL’introduction de l’IA dans les expériences nécessite des avancées dans trois domaines majeurs : la reconnaissance automatique des images, la classification et la prédiction des schémas de mouvement et des comportements cellulaires.Les résultats de la recherche sont les réalisations intermédiaires de la première phase de reconnaissance automatique d’images basée sur des données générées par simulation informatique. L’équipe travaille actuellement à l’identification et à la caractérisation des processus biologiques cellulaires qui se produisent au cours de la deuxième phase.

Il ne fait aucun doute qu’une fois les trois étapes terminées, les chercheurs pourront prédire le processus et les résultats de l’administration des médicaments, ce qui sera également un moteur pour l’industrie pharmaceutique nationale.

Références :
1.https://mp.weixin.qq.com/s/mcO_7Mg40OmyauhbeB91QA
2.https://mp.weixin.qq.com/s/NnHGnBZRRbDOI_2sZu7irA
3.https://mp.weixin.qq.com/s/CUWhLnA-HuvxdZDzMfDxAA