从样品制备到图像采集，电子显微镜(EM)需要精确且耗时的步骤才能产生清晰可见的细节，从而以高分辨率可视化小型细胞结构。此外，一旦创建了EM图像，通过分析从其中提取生物学信息可能是一项更加费力且耗时的任务。特别是因为当前的EM分析软件通常需要科学家的熟练技术才能手动查看数百幅图像。
借助马克斯·普朗克佛罗里达神经科学研究所(MPFI)的跨学科研究团队的独创性和尖端神经网络的应用，他们创建了旨在简化部分冗长过程的新型强大分析软件。与电子显微镜核心设施和科视实验室合作，该项目要求两名高中生极大地改进了已建立的基于计算机的技术，用于分析EM图像中的蛋白质分布。与使用荧光标记的传统光学显微镜不同，EM要求蛋白质用金纳米颗粒标记，以便在细胞内可视化它们。该软件被戏称为“ Gold Digger”，它使用深度学习方法来识别与特定目标蛋白质结合的金颗粒。
MPFI团队在《科学报告》的新出版物中设计了一种可适应的，基于深度学习的算法，能够准确识别不同大小的金颗粒。这种完全自动化的方法将加快计数过程，并生成跨膜的蛋白质分布的更精确的位置信息，从而加快新的突破。
深度学习或神经网络是一种计算策略，可让软件随着时间的推移逐步学习。就像人的大脑一样，这些类型的算法能够将视觉场景分解为各个组成部分，并被教导识别某些方面。通过提供预先注释的“训练数据”，该软件可以学习如何复制和模仿给定任务的人为行动，这是计算机在不远的过去无法做到的。
标签： 神经网络
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
