El microscopio electrónico (EM) ha revolucionado nuestra capacidad de ver los detalles intrincados del interior de las células. El desarrollo de la microscopía electrónica 3D, llamada EM de volumen (vEM), ha ampliado aún más esta capacidad de obtención de imágenes tridimensionales a nanoescala. Sin embargo, las compensaciones entre la velocidad, la calidad y el tamaño de la muestra de las imágenes aún limitan el área y el volumen de imágenes alcanzables. Al mismo tiempo, la inteligencia artificial (IA) está emergiendo como una fuerza importante en diversos ámbitos científicos, impulsando avances y sirviendo como una herramienta importante en el proceso científico.
Inspirándose en los avances recientes en los modelos de generación de imágenes impulsados por IA, en particular el desarrollo de modelos de difusión avanzados, un equipo dirigido por el Prof. Haibo Jiang y el Prof. Zhaojuan QI del Departamento de Ingeniería Eléctrica y Electrónica de la Universidad de Investigación. Hong Kong (HKU) ha desarrollado un conjunto de algoritmos basados en el modelo de difusión llamado EMDiffuse. Esta solución innovadora tiene como objetivo ampliar las capacidades de obtención de imágenes y abordar los problemas de compensación que enfrentan EM y vEM. Sus resultados fueron publicados recientemente. Comunicaciones de la naturaleza.
Para EM 2D tradicional, EMDiffuse se especializa en restaurar imágenes realistas y de alta calidad con detalles ultraestructurales de alta resolución, incluso desde entradas ruidosas o de baja resolución. A diferencia de otros métodos de superresolución o eliminación de ruido basados en aprendizaje profundo, EMDiffuse adopta un enfoque único al muestrear la solución de la distribución objetivo. EMDiffuse incorpora imágenes de baja calidad como condición o restricción en cada paso de su proceso basado en difusión para garantizar la precisión de las estructuras generadas. Esto significa que los insumos de baja calidad se utilizan activamente para guiar y dar forma a la recuperación, en lugar de ser simplemente un punto de partida. El modelo de difusión puede prevenir eficazmente la borrosidad y mantener una resolución comparable a la real, lo cual es crucial para estudios ultraestructurales detallados. Además, la generalidad y transferibilidad de EMDiffuse permite su aplicación a diferentes conjuntos de datos directamente o con solo un par de imágenes de entrenamiento después de un ajuste mínimo.
En VEM, el hardware actual a menudo tiene dificultades para capturar imágenes 3D de alta resolución de especímenes grandes, particularmente en profundidad (o la ‘dirección z’), lo que permite estudiar estructuras 3D completas de estructuras celulares importantes como las mitocondrias y el retículo endoplásmico. . .
EMDiffuse resuelve este problema de dos maneras flexibles. Puede utilizar datos de entrenamiento “isotrópicos” (conjuntos de datos de imágenes 3D con alta resolución uniforme en todas las dimensiones) para aprender cómo aumentar la resolución axial de otros datos 3D. Alternativamente, EMDiffuse puede analizar imágenes 3D existentes y mejorar su resolución de profundidad mediante una técnica autosupervisada sin necesidad de datos de entrenamiento especiales. Esta versatilidad permite a EMDiffuse aumentar la calidad y utilidad de los datos de microscopía electrónica 3D en una variedad de aplicaciones de investigación.
Los volúmenes reconstruidos demuestran una precisión excepcional en el estudio de detalles ultraestructurales, como las crestas mitocondriales y las interacciones entre las mitocondrias y el RE, que son difíciles de observar en los volúmenes anisotrópicos originales. Dado que EMDiffuse no requiere datos de entrenamiento isotrópico, se puede aplicar directamente a cualquier volumen anisotrópico existente para mejorar su resolución axial.
EMDiffuse representa un avance significativo en las capacidades de obtención de imágenes tanto de EM como de vEM, aumentando la calidad de la imagen y la resolución axial de los datos generados. “Con esta base, podemos imaginar un mayor desarrollo y aceleración del algoritmo EMDiffuse, que allanará el camino para una investigación en profundidad de la compleja ultraestructura subcelular a nanoescala dentro de grandes sistemas biológicos”, dijo el profesor Haibo Jiang, uno de los corresponsales del artículo. autores. . “A medida que esta tecnología de imágenes basada en IA madure, nos entusiasma ver cómo permite a los investigadores descubrir mecanismos operativos no descubiertos hasta ahora dentro de los sistemas biológicos”, afirmó el profesor Xiaojuan Qi, autor correspondiente de otro de los artículos.
