Inteligencia artificial en flujos de trabajo automatizados de análisis de imágenes
La reciente adopción de métodos de aprendizaje automático, un enfoque para lograr la inteligencia artificial (IA), en el análisis de imágenes está cobrando fuerza rápidamente en muchas áreas de investigación. El aprendizaje profundo es parte de un algoritmo de aprendizaje automático más amplio basado en una red neuronal artificial. La estructura de aprendizaje profundo resolvió con éxito problemas de análisis complejo en aplicaciones médicas, patológicas y de adquisición de imágenes biológicas.
Definición de términos de IA:
Inteligencia artificial (IA) – Simulación de procesos de inteligencia humana por sistemas informáticos.
Aprendizaje automático (ML) – Método para lograr la IA utilizando algoritmos para determinar o predecir patrones basados en los datos existentes. Los algoritmos de aprendizaje automático infieren automáticamente las reglas para discriminar las clases.
Aprendizaje profundo (DL) - Subconjunto de métodos de aprendizaje automático que utilizan redes neuronales artificiales (ANN) para aprender relaciones insumo/producto. Las ANN son modelos matemáticos representados por múltiples capas de “neuronas” o células informáticas.
Análisis morfométrico del tratamiento con compuestos en esferoides derivados de pacientes a lo largo del tiempo. A) Los esferoides se monitorizaron usando imágenes de campo claro los días 1, 3 y 5 después del tratamiento. Las imágenes se segmentaron usando el módulo SINAP del software IN Carta (máscara magenta).
El aprendizaje automático mejora la segmentación de la imagen y la clasificación de objetos
El análisis automático de imágenes es una parte integral de la mayoría de las plataformas de adquisición de imágenes de alto contenido. La posibilidad de monitorizar células y organoides en tiempo real y, a continuación, extraer información significativa depende de un sólido análisis de las imágenes de luz transmitida sin marcaje. Los problemas asociados con el análisis de imágenes de campo claro son, por ejemplo, el bajo contraste, el fondo desigual y el artefacto de adquisición de imágenes. Un conjunto definido de parámetros globales raramente tendría éxito en la segmentación de objetos en imágenes de campo claro. Los recientes avances en el aprendizaje automático mejoran el flujo de trabajo de análisis de imágenes y permiten una segmentación de la imagen más sólida en conjuntos de datos complejos.
En el análisis de imágenes biológicas, el aprendizaje profundo proporciona herramientas potentes para resolver los problemas de segmentación de la imagen y seguimiento de objetos. El análisis convencional de imágenes normalmente implica la definición de un conjunto fijo de parámetros para segmentar los objetos para su cuantificación posterior. Sin embargo, estos parámetros predefinidos no funcionan para todos los experimentos debido a la alta variabilidad de las condiciones experimentales. Los ajustes manuales del protocolo de análisis son impracticables debido al enorme volumen de datos de imágenes en un entorno de alto rendimiento.
Para resolver estos problemas, se pueden usar herramientas de aprendizaje automático para la segmentación de la imagen y la clasificación de objetos con el fin de automatizar el flujo de trabajo de análisis de imágenes.
Software de análisis de imágenes IN Carta para el análisis de alto rendimiento basado en el aprendizaje automático
El software de análisis de imágenes IN Carta® cuenta con una interfaz de usuario intuitiva que incluye herramientas de IA en el flujo de trabajo de análisis de imágenes. Los dos componentes clave del software IN Carta que se benefician del aprendizaje automático son los módulos de software SINAP y Phenoglyphs. El módulo SINAP basado en el aprendizaje profundo permite una detección sólida de objetos complejos de interés (p. ej., colonias de células madre u organoides) con mínima intervención humana para mejorar la exactitud y fiabilidad en el primer paso del análisis de imágenes. El resultado del análisis incluye medidas morfológicas, de intensidad y de textura.
La clasificación de los datos se puede usar también con el módulo Phenoglyphs basado en el aprendizaje automático. El módulo Phenoglyphs toma cientos de descriptores de imágenes extraídos por el módulo SINAP y crea un conjunto óptimo de reglas para agrupar objetos con una apariencia visual similar. Ambos módulos utilizan decisiones no supervisadas para generar un resultado inicial que es optimizado repetidamente a través de información introducida por el usuario. En conjunto, los dos módulos mejoran la integridad y exactitud de los hallazgos a través de un flujo de trabajo completo fácil de usar.
Aplicación del aprendizaje profundo a la segmentación de objetos con el módulo SINAP de IN Carta
La segmentación automática de objetos de imágenes de microscopía puede ser problemática debido a la naturaleza diversa de los conjuntos de datos. El software de análisis de imágenes IN Carta utiliza SINAP, un módulo de segmentación entrenable que utiliza un algoritmo de aprendizaje de red neuronal convolucional profundo para resolver estos problemas.
Puesto que SINAP utiliza el aprendizaje profundo, puede dar cuenta de la variabilidad significativa en la apariencia de la muestra que surge de los tratamientos en investigación. Asegurando que cada tratamiento es segmentado con un nivel equivalente de exactitud, la información extraída en este paso es fiable y útil para comparar tratamientos en etapas posteriores de análisis.
Resolución de los problemas en la segmentación de la imagen con modelos basados en el aprendizaje automático:
A) Se presentan ejemplos de modelos biológicos diferentes que constituyen un reto para el análisis cuantitativo. Los esferoides 3D cultivados en placas con microcavidades producen una sombra alrededor de cada microcavidad que interfiere con la segmentación de objetos (flecha). Los organoides 3D se cultivan en Matrigel, lo que a menudo produce un fondo no homogéneo debido a la distorsión de la cúpula de Matrigel y objetos más allá de los planos de la imagen (recuadro). Las iPSC crecen como cultivos relativamente planos; como consecuencia, el bajo contraste (flecha azul) y los restos celulares (flecha amarilla) entorpecen una sólida segmentación de la imagen de colonias de iPSC.
B) Esquema general del flujo de trabajo de entrenamiento del modelo: Generar imágenes para el entrenamiento > Entrenar al modelo > Probar el modelo > Repetir.
C) Pasos principales para crear un modelo en el software IN Carta usando el módulo SINAP; se muestran imágenes de ejemplo. Las imágenes se anotan usando herramientas de etiquetado para indicar los objetos de interés y el fondo. La imagen anotada que representa la realidad del terreno se añade al conjunto de entrenamiento. En el paso de entrenamiento, se crea un modelo basado en el modelo existente más adecuado y en las anotaciones especificadas por el usuario. En el ejemplo que se muestra es necesario corregir la máscara de segmentación (paso 3) repitiendo los pasos 1 a 3.
Aplicación del aprendizaje automático a la clasificación de objetos con el módulo Phenoglyphs de IN Carta
El software de análisis de imágenes IN Carta también incluye un módulo de clasificación de objetos entrenable llamado Phenoglyphs. El módulo Phenoglyphs utiliza mediciones de segmentación para agrupar objetos con una apariencia visual similar. Haciendo esto, se puede evaluar si un tratamiento genera un fenotipo favorable y se puede incluso inferir el mecanismo subyacente implicado. Usando el aprendizaje automático, se pueden analizar simultáneamente todas las características visuales para optimizar el conjunto complejo de reglas necesarias para asignar objetos al grupo correcto. Este método basado en datos y altamente multivariable es mucho más capaz de resolver diferencias fenotípicas sutiles y es más sólido contra la asignación de objetos al grupo incorrecto.
Como usuario, usted solo necesita revisar y proporcionar información sobre un número pequeño de ejemplos de cada clase antes de que el módulo Phenoglyphs aplique el modelo al conjunto completo de datos. Este método minimiza la necesidad de información introducida por el usuario en el primer paso de una asignación de clases, lo que ahorra un tiempo considerable.
Aplicaciones basadas en el aprendizaje automático
Los métodos tradicionales de análisis de imágenes pueden ser increíblemente intrincados y laboriosos cuando se realizan manualmente o incluso semiautomáticamente. Existe siempre la posibilidad de error humano y sesgo debido a la naturaleza compleja y muy detallada de la tarea. Cuando a esto se añade la naturaleza repetitiva, prolongada y a menudo laboriosa del flujo de trabajo, surge la oportunidad de aplicar el aprendizaje automático.
Descubra cómo el software de aprendizaje profundo de IN Carta junto con el sistema ImageXpress Confocal HT.ai ayudó a eliminar la variación entre usuarios, el error humano y el sesgo, mejorando así la calidad de los datos y la confianza, optimizando el flujo de trabajo y la eficiencia.
Recursos más recientes
Recursos de las herramientas de IA, aprendizaje automático y aprendizaje profundo para el análisis de imágenes celulares
Póster científico
Realización de perfiles fenotípicos con el ensayo Cell Painting
Phenotypic profiling based on the Cell Painting assay
Las técnicas de cribado de alto contenido multiparamétricas, como el ensayo Cell Painting, cada vez se usan más en muchas aplicaciones, desde programas de descubrimiento de fármacos al cribado...
Póster científico
Organoides intestinales para ensayos de cribado automáticos. Adquisición y análisis de imágenes de alto contenido de la morfología de organoides
Intestinal organoids for automated screening assays. High content imaging and analysis of organoid morphology
Se utilizaron con éxito modelos de células 3D que representaban varios tejidos para estudiar efectos biológicos complejos, arquitectura tisular y funcionalidad. Sin embargo, la complejidad de los modelos 3D...
Blog
Predicciones para 2022 sobre ciencias de la vida y tecnología
Life Science and Technology Predictions for 2022
Durante tres décadas, Molecular Devices ha hecho posible avances científicos para clientes del ámbito académico, farmacéutico, gubernamental y biotecnológico con su innovadora tecnología...
Blog
Ingeniería de organoides de nueva generación con flujos de trabajo de laboratorio automatizados en #SLAS2022
Engineering Next-gen Organoids with Automated Lab Workflows at #SLAS2022
SLAS2022, la conferencia de la Society for Lab Automation and Screening, fue una vez más un año emocionante para el aprendizaje de tecnologías de laboratorio innovadoras. Ya sea que asistiera en persona...
Nota de aplicación
Mejora de la solidez del Cell Painting con un marcaje infrarrojo cercano y analítica avanzada de imágenes y datos
Improving the robustness of Cell Painting with a near-infrared label and advanced image and data analytics
Los métodos de realización de perfiles fenotípicos basados en imágenes, como el tan usado ensayo Cell Painting, utilizan la adquisición de imágenes de alto contenido junto con lecturas multiparamétricas para estudiar...
Nota de aplicación
Análisis de imágenes basado en el aprendizaje profundo para la monitorización de células vivas sin marcar de cultivos de organoides 3D e iPSC
Deep Learning-based Image Analysis for Label-free Live Monitoring of iPSC and 3D Organoid Cultures
Los modelos biológicos 3D complejos, como los organoides y los esferoides derivados de pacientes, están ganando popularidad en muchas áreas de investigación biomédica porque recrean más fielmente...
Blog
Datos y avances en el campo de las células madre presentados en el congreso de la #ISSCR2021
Stem cell science insights and breakthroughs presented at #ISSCR2021
Si no tuvo la oportunidad de visitarnos en nuestra sesión de pósteres durante el congreso de la ISSCR 2021, no se preocupe. Hemos recopilado aquí todas nuestras sesiones para usted. El congreso anual de la ISSCR reunió...
Póster científico
Monitorización del desarrollo de organoides y caracterización de las actividades de oscilación de calcio en organoides cerebrales 3D derivados de iPSC
Monitoring organoid development and characterization of calcium oscillation activities in iPSC-derived 3D cerebral organoids
Los organoides cerebrales son una tecnología de rápido desarrollo que tiene un gran potencial para entender el desarrollo del cerebro y las enfermedades neuronales. También se utilizan para analizar los efectos de...
Publicaciones
Cómo la inteligencia artificial está permitiendo avanzar en la investigación de enfermedades neurodegenerativas
How AI is advancing neurodegenerative disease research
Descubra en este editorial invitado cómo la inteligencia artificial se está convirtiendo en una potente herramienta para el descubrimiento de fármacos Como parte de Advances in Drug Discovery Special Feature de SelectScience, los editores...
Blog
Supere los desafíos del análisis celular de alto contenido mediante la IA y el aprendizaje automático
Overcome the challenges of high-content cell analysis through AI/machine learning
La inteligencia artificial (IA) encuentra ocupa ya un lugar en muchos aspectos de la vida moderna, desde vehículos autónomos a asistentes personales activados por voz, e incluso en la creación de arte. Pero...
Blog
Cómo está dejando su huella el Cell Painting en el descubrimiento de fármacos
How Cell Painting is making its mark on drug discovery
¿Ha oído alguna vez el viejo dicho “Una imagen vale más que mil palabras”? Cuando se trata de Cell Painting, este dicho es especialmente cierto. Cell Painting es un ensayo...
Nota de aplicación
Realización de perfiles fenotípicos de alto contenido con el ensayo Cell Painting
High-content phenotypic profiling using the Cell Painting assay
Aquí presentamos un flujo de trabajo completo para un ensayo Cell Painting que se puede implementar fácilmente con el sistema ImageXpress Micro y el análisis de las imágenes con las funciones de aprendizaje automático
Póster científico
Análisis basado en IA de fenotipos biológicos complejos
AI-based analysis of complex biological phenotypes
Los ensayos fenotípicos con células se han convertido en una alternativa cada vez más atractiva a las pruebas in vitro e in vivo tradicionales en el desarrollo de fármacos y evaluación de la seguridad toxicológica...
Vídeos y seminarios web

Recorrido por el Centro de Innovación de Organoides

Estrategia basada en IA para la caracterización de alto contenido de células neuronales derivadas de iPSC humanas