El microscopio electrónico (EM) ha revolucionado nuestra capacidad para visualizar los detalles intrincados del interior de las células. Los avances en la microscopía electrónica 3D, conocida como EM de volumen (vEM), han ampliado aún más estas capacidades de obtención de imágenes tridimensionales a nanoescala. Sin embargo, las compensaciones entre la velocidad, la calidad y el tamaño de la muestra 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 de investigación dirigido por el profesor Haibo Jiang del Departamento de Química y el profesor Xiaojuan Qi de la Universidad de Ingeniería Eléctrica y Electrónica. Hong Kong (HKU) ha desarrollado un conjunto de algoritmos basados en modelos de difusión llamado EMDiffuse. Esta solución innovadora tiene como objetivo aumentar las capacidades de obtención de imágenes y abordar las compensaciones que enfrentan EM y vEM. Sus resultados fueron publicados recientemente. comunicación de la naturaleza.
Para EM 2D convencional, EMDiffuse destaca por recuperar 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 aportes 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, manteniendo una resolución comparable a la verdad del terreno, lo cual es crucial para estudios ultraestructurales detallados. Además, la generalización 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 muestras grandes, especialmente en la profundidad (o ‘dirección z’), lo que dificulta el estudio completo de la estructura 3D de componentes celulares importantes como las mitocondrias y el retículo endoplásmico. . .
EMDiffuse resuelve este problema con dos métodos flexibles. Puede utilizar datos de entrenamiento “isotrópicos” (conjuntos de datos de imágenes 3D con alta resolución uniforme) para aprender cómo mejorar la resolución axial de otros datos 3D. Alternativamente, EMDiffuse puede analizar imágenes 3D existentes y mejorar su resolución de profundidad mediante técnicas autosupervisadas sin necesidad de datos de entrenamiento especiales. Esta versatilidad permite a EMDiffuse mejorar 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 producidos. “Con esta base, podemos prever un mayor desarrollo y aceleración del algoritmo EMDiffuse, allanando el camino para investigaciones más profundas de complejas ultraestructuras subcelulares a nanoescala dentro de grandes sistemas biológicos”, afirmó el profesor Haibo Jiang, uno de los autores correspondientes del artículo. . “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”, se hizo eco el profesor Xiaojuan Qi, otro autor correspondiente del artículo.