샤먼 대학의 Fang Ning 팀은 나노 스케일에서 단일 입자 추적을 위해 AI를 사용하여 "Rock in the Cell"을 연주합니다.

미시적인 세계에서 모든 세포는 바쁜 도시이고, 분자는 이 도시의 주민입니다. 만약 우리가 이들 생명체의 모든 움직임을 추적할 수 있다면, 어쩌면 생명의 신비에 대한 새로운 측면을 발견할 수도 있을지도 모릅니다. 이는 살아있는 세포에서 3D 단일 입자 추적(SPT)을 수행하는 과학자들의 야심찬 목표입니다. 이 기술을 통해 사람들은 세포 내 분자의 모든 움직임을 관찰하고, 이들이 서로 상호작용하여 복잡한 생명체를 구성하는 방식을 이해할 수 있습니다.

하지만 미시적인 세계에서 정확한 추적은 쉽지 않습니다. 총격전 영화에서 빠르게 움직이는 총알을 추적하는 것조차 어려운데, 분자는 총알보다 훨씬 빠르게 움직이며, 그 이동 궤적은 상상을 초월할 만큼 복잡합니다.과학자들이 직면한 과제는 눈송이로 가득 찬 하늘에서 각 눈송이의 궤적을 추적하는 것만큼이나 어렵습니다.

세포의 3차원 공간에서 분자의 움직임을 실시간으로 정확하게 추적하기 위해,샤먼 대학의 방닝 교수 팀은 딥 러닝을 기반으로 한 자동화된 고속 다차원 단일 입자 추적 시스템을 개발했습니다.이 기술은 세포 미세환경에서 나노입자 회전 추적의 한계를 깨고 나노스케일에서 살아있는 세포 내의 단일 분자/단일 나노입자에 대한 전방위적이고 정확한 추적을 달성합니다. 이 장치는 3차원 공간에서 분자의 변위를 추적할 뿐만 아니라, 분자/나노입자의 회전 운동도 처음으로 관찰합니다. 현재 이 논문은 권위 있는 저널인 Nano Letters에 게재되었습니다.

연구 하이라이트:

• 낮은 신호 대 잡음비(S/N) 조건에서 회전 추적의 한계를 극복하기 위해 딥 러닝 알고리즘과 통합된 단일 입자 추적 시스템이 구축되었습니다. 

• 이 시스템은 높은 위치 정확도(<10nm)와 시공간적 분해능(0.9ms)으로 살아있는 세포에서 이방성 금 나노입자 프로브의 3D 방향을 추적하는 데 사용할 수 있습니다.
• 이 시스템은 기존 방식보다 견고성과 소음 저항성이 뛰어나며, 살아있는 세포 내 미세소관을 따라 화물이 이동하는 것을 연구하여 그 효과가 입증되었습니다.

서류 주소:
https://doi.org/10.1021/acs.nanolett.3c04870
공식 계정을 팔로우하고 "단일 입자 추적"에 답글을 남겨 전체 PDF를 받으세요.

SPT 시스템: 자동, 고속, 다차원 단일 입자 추적 시스템

살아있는 세포의 역동적인 과정을 보다 포괄적으로 이해하기 위해 이 연구는 먼저 다차원 영상 장치를 개발했습니다.

위 그림에서 보듯이, 영상 장치는 이중 초점 평면 영상, 시차 현미경 및 자동 추적 기능을 통합합니다.

이중 초점 평면 이미징

광선이 콘덴서를 통과한 후, 대물렌즈(OBJ)와 대물렌즈 스캐너(OS)를 통과합니다. 수집된 광 경로에 반사-투과율 비율이 7:3인 빔 분할기(BS)를 삽입함으로써 수집된 신호를 두 개의 영상 채널(포커스 채널과 디포커스 채널)로 분할하여 이중 초점 평면 영상을 실현할 수 있습니다. 디포커스 채널에 750mm 볼록 렌즈(위 그림의 L1)를 삽입하면 초점 채널과 디포커스 채널 사이에 약 900nm의 축 분리가 생겨 가장 적절한 디포커스 패턴이 생성됩니다.

시차 현미경

획득된 신호는 쐐기형 프리즘(WP)에 의해 두 개의 거울상 및 수직 정렬된 이미지로 분할됩니다. 이 장치는 Δy와 Δz 사이의 정확한 관계를 설정하고 서로 다른 z축 위치에서 프로브의 두 이미지 사이의 거리를 기록하여 교정 곡선을 구성합니다. 그런 다음 프로브의 z축 위치는 xy 평면에서 프로브의 두 거울점 사이의 거리를 계산하여 결정됩니다.

자동 추적 기능

이 장치는 압전식 대물렌즈 스캐너(p-725.4CD)와 컨트롤러(E-709)로 구성된 자동 피드백 추적 시스템을 통합합니다. 프로브의 z축 운동으로 인해 두 미러 지점 사이의 거리가 변경되면 자동 추적 프로그램은 변경 값에 따라 대상 스캐너가 이동해야 하는 거리를 계산합니다.

모델 아키텍처: 입력 레이어 + 4개의 합성 블록 + 3개의 완전 연결 레이어

데이터 분포의 다양성을 확보하기 위해 본 연구에서는 이미지 크기 조정, 다양한 정도의 가우시안 노이즈 추가, 위치 변환을 수행하여 훈련 및 검증을 위해 시뮬레이션 데이터와 실험 데이터를 동일한 비율로 혼합했습니다.

본 연구에서는 Visual Geometry Group(VGG) 모델에서 영감을 얻어 입력 이미지를 3차원 방향(방위각 φ 및 극각 θ)에 매핑하여 합성곱 신경망 모델을 구축했습니다.

일반적으로 합성 블록의 수는 배경을 포함한 다층 이미지 특징 추출에 매우 중요합니다. 따라서 본 연구에서는 1~4개의 합성곱 블록을 사용하여 CNN 아키텍처를 테스트했습니다.결과는 4개의 합성곱 블록을 사용한 CNN 모델의 오류가 가장 작다는 것을 보여줍니다.

결과로부터,이 연구의 CNN 모델은 궁극적으로 입력 계층, 4개의 합성곱 블록, 3개의 완전 연결(FC) 계층으로 구성됩니다.안에:

• 입력 계층은 고정된 크기의 이미지를 받아서 텐서로 변환하여 전달합니다.

• 4개의 합성곱 블록에는 여러 개의 합성곱 계층과 풀링 계층이 포함되어 있습니다.  

  에이. 4개의 합성곱 블록에는 각각 64, 128, 256, 512개의 합성곱 커널이 포함되어 있습니다. 모든 합성곱 커널의 크기는 3×3입니다. 각 합성곱 계층은 배치 정규화와 ReLU(Rectified Linear Unit) 활성화 함수를 거쳐 모델이 더 빠르게 수렴하고 과적합을 방지하는 동시에 신경망의 비선형 매핑 능력도 향상시킵니다.

    비. 풀링 계층은 이동 불변성을 보장하는 동시에 네트워크의 계산 매개변수를 줄입니다.

• 각각 2048개, 2048개, 451개의 뉴런을 포함하는 3개의 완전 연결 계층은 합성곱 계층과 풀링 계층에서 추출한 특징을 더 높은 수준의 표현으로 통합하여 네트워크가 더 복잡한 결정과 분류를 내릴 수 있도록 합니다.

CNN-exp, CNN-sim 및 CNN-sim+exp의 세 가지 모델의 손실 곡선을 연구하면 시뮬레이션된 데이터 세트에 대해 다음 결과가 나타납니다.CNN 모델은 30개의 에포크 후에 수렴에 도달할 수 있습니다.이와 대조적으로 실험 데이터 세트를 사용하여 학습하는 경우 수렴하는 데 약 90개의 에포크가 필요합니다. 또한 CNN-sim+exp 모델의 수렴속도는 비교적 빠릅니다.

소음 저항성 평가 및 화물 이동 연구: CNN 모델이 더 많은 장점을 가지고 있다

실제 응용 분야에서는 높은 시공간적 분해능과 세포 생존력이 생세포 영상에 영향을 미칩니다. 따라서 본 연구에서는 신호 대 잡음비 4, 2, 1.4 등의 다양한 조건에서 CNN 모델의 잡음 저항성과 강건성을 검증하고, 이를 기존의 CC(상관계수) 방식과 비교하였다.

연구 결과에 따르면 신호 대 잡음비가 4일 때 CNN과 CC 방법 모두 좋은 성능을 보였으며 오차는 2° 미만으로 작았습니다. 신호 대 잡음비가 2로 낮아지면 CNN 방식의 오차 증가는 CC 방식의 1/5에 불과합니다. 신호 대 잡음비가 1.4일 때 CC 방법은 입자의 방향을 구분할 수 없지만 CNN 모델의 오차는 여전히 허용 범위 내에 있습니다.

이는 낮은 SNR 환경에서 CNN 모델이 CC 방법보다 잡음에 강하고 견고하다는 것을 보여줍니다.

ATP의 가수분해로 생성되는 에너지는 세포 내 분자가 화물을 운반하도록 하는 "모터" 역할을 합니다. 따라서 화물의 특징적인 병진 및 회전 운동은 화물과 키네신의 결합 상태에 대한 풍부한 정보를 제공하고 화물-운동-미세소관 상호 작용에 대한 연구를 설명하는 새로운 관점을 제공할 수 있습니다. 간단히 말해서, 이 연구는 자동 고속 다차원 SPT 이미징 장치와 딥 러닝 모델(CNN-sim+exp 모델)을 결합하여 살아있는 세포에서 미세소관 골격을 따라 화물을 운반하는 운동 단백질의 동적 과정을 연구했습니다.

전체 운송 과정 동안 화물은 두 번의 일시 정지 단계와 여러 번의 활성 운송 단계를 거쳤습니다.

첫 번째 정지 상태에서는 화물이 회전 자유도가 거의 없어서 단단히 부착된 모드에 있음을 알 수 있습니다. 두 일시 정지 단계 사이에는 화물이 활발한 운송 단계에 있습니다.자동 추적 시스템은 약 300nm의 축 방향 변위를 기록했습니다.이는 기존의 영상화 방법을 사용해서는 얻기 어렵습니다.

두 번째 정지 단계에서는 화물의 운동 상태가 단단히 부착된 상태와 고정된 회전 상태 사이에서 끊임없이 전환됩니다. 밀착 부착 모드에서는 화물이 다양한 모터 단백질을 통해 미세소관에 밀착 부착될 수 있으며 자유롭게 회전하는 경우가 거의 없습니다. 고정 회전 모드에서는 화물이 미세소관에 느슨하게 결합되어 있으며 끊임없이 새로운 미세소관을 찾아 연결됩니다. 일반적으로,이러한 일련의 움직임은 세포 내 수송의 역동성과 복잡성, 그리고 미세소관 경로를 따라 화물의 이동을 촉진하는 키네신의 역할을 강조합니다.

그는 미국에서 13년간 일한 후 모교로 돌아왔다.

연구자들의 심층적인 연구를 바탕으로, 본 논문의 책임 저자인 샤먼 대학의 방닝 교수를 선택하게 되었습니다. 학습 경험의 관점에서 보면,방닝 교수는 "성공을 위해 노력하고 모교에 보답하는" 모범적인 인물입니다.

1998년, 팡닝 교수는 샤먼 대학 화학과를 졸업한 후, 캐나다 브리티시 컬럼비아 대학과 미국 에너지부 에임스 국립 연구소에서 국제적으로 유명한 분석 화학자인 데이비드 다이첸 교수와 에드워드 S. 융 교수의 지도를 받으며 박사 과정과 박사 후 연구를 수행했습니다.

방닝 교수는 미국에서 13년간 근무한 후 조지아 주립 대학의 정교수로 승진했습니다. 방닝 교수는 2021년에 중국으로 돌아와 국내 광학 이미징 분야에 기여하고자 했습니다.그는 샤먼 대학 화학 및 화학공학부에 저명한 교수로 합류하여 화학 및 생물 광학 이미징 기술을 개발했습니다. 그는 이러한 획기적인 도구를 활용하여 나노물질, 촉매, 생물물리학 분야에서 단일 분자 및 단일 입자 연구를 수행했습니다. 현재까지 그는 Nature Catalysis, Nature Cell Biology, Chemical Reviews, Nature Communications, Science Advances, JACS, Angewandte Chemie 등의 저널에 90편 이상의 논문을 발표했습니다.

현재, 방닝 교수는 샤먼 대학에 단일 분자, 단일 입자, 광학 현미경 연구실을 독자적으로 건설했습니다. 그는 분자와 나노물질의 광학 이미징 분야에 초점을 맞춰 단일 입자 회전 추적 기술, 라만 분광법 + 고급 이미징, 레이저 시트 스캐닝 이미징, 초고해상도 광학 이미징, 전반사 형광, 전반사 암시야 등 중국에서 6가지 주요 연구 방향을 개발했습니다. 그는 단일 분자, 단일 입자, 광학 현미경 분야에서 뛰어난 업적을 이루었습니다.

2021년 초부터방닝 교수 연구팀은 새로운 단일 입자 회전 추적 시스템과 3차원 각도 단일 입자 추적 기술을 개발했습니다.수용체 매개 내포작용의 메커니즘을 밝히고 세포 내에서 소포 운반의 회전 역학을 실시간으로 분석하는 데 있어 획기적인 진전이 이루어졌습니다. AI의 급증하는 흐름에 직면하여, 연구팀은 광학 이미징 분야에서 AI 기술이 지닌 탁월한 가치를 절감했습니다. 이 연구는 딥러닝/AI 지원 이미징을 사용하여 살아있는 세포의 생명 과정을 연구하는 첫 번째 단계입니다.

Fang Ning 교수의 팀은 다음과 같이 믿습니다.실험에 AI를 도입하려면 이미지의 자동 인식, 운동 패턴과 세포 행동의 분류 및 예측이라는 세 가지 주요 영역에서 획기적인 발전이 필요합니다.본 연구 결과는 계산 시뮬레이션을 통해 생성된 데이터를 기반으로 한 자동 이미지 인식의 첫 번째 단계의 중간 성과입니다. 해당 팀은 현재 두 번째 단계에서 발생하는 세포 생물학적 과정을 식별하고 특성화하는 작업을 진행하고 있습니다.

이 세 단계가 모두 완료되면 연구진은 약물 전달 과정과 결과를 예측할 수 있을 것이며, 이는 국내 제약 산업을 선도할 것이라는 데 의심의 여지가 없습니다.

참고문헌:
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