Améliorer la microscopie à super-résolution grâce à l'IA
L'apprentissage profond et par renforcement peuvent accroître l'accessibilité et l'applicabilité des techniques de microscopie de pointe aux neurosciences.
Contexte
Au cours des deux dernières décennies, la microscopie à super-résolution (MRS) a transformé le domaine de la biologie cellulaire, améliorant nos capacités à caractériser les structures subcellulaires et la dynamique moléculaire à l'échelle nanométrique.
Ces techniques de microscopie de pointe permettent aux scientifiques de surveiller et de moduler les processus moléculaires dans les cellules et les tissus vivants avec une résolution spatio-temporelle sans précédent et une invasivité minimale.
Elles promettent de révolutionner notre compréhension du fonctionnement du cerveau, en permettant des mesures simultanées de la dynamique moléculaire et de l'activité localisée au sein d'un réseau cérébral complexe.
Objectifs
L'exploitation du plein potentiel de la MRS dans les tissus cérébraux et dans les environnements d'imagerie des cellules vivantes pose des défis importants, allant des complexités de l'imagerie des tissus épais à l'unification des mesures se produisant à différentes échelles, tous exigeant des solutions innovantes pour une mise en œuvre concrète.
Ce projet vise à développer des approches de microscopie SRM assistées par l'IA afin d'améliorer ses performances dans les cellules et les tissus vivants, de diversifier les applications de la microscopie SRM dans les neurosciences et de repousser les limites de la résolution spatio-temporelle pour l'observation des processus dynamiques à l'échelle nanométrique.
À propos du projet
Nous explorons deux angles de recherche principaux : comment étendre les performances multimodales réalisables de la nanoscopie optique avec l'apprentissage profond (DL) et comment développer des stratégies de contrôle de la microscopie basées sur l'apprentissage par renforcement (RL) pour optimiser les processus d'acquisition dans les neurones vivants et les tissus cérébraux.
Ces projets seront accomplies par le biais des objectifs de recherche suivants :
Améliorer la qualité des images multimodales, en tenant compte des aspects spatiaux, temporels et spectraux;
Proposer des approches pour évaluer la qualité, l'incertitude et la pertinence des sous-régions du champ de vision;
Concevoir des procédures de prise de décision pour optimiser l'acquisition, en s'appuyant sur un retour d'information humain limité.
La MRS assistée par l'IA permettra de reconnaître les structures d'intérêt et les réponses cellulaires pendant le processus d'imagerie et de modifier les paramètres d'imagerie, le traitement et les modalités en fonction des changements structurels et fonctionnels observés.
Les microscopes pourront ainsi s'adapter en temps réel aux conditions expérimentales et à l'échantillon étudié.
L'IA offre un grand potentiel d'accélération de la recherche scientifique. En améliorant les techniques de microscopie à l'aide de réseaux neuronaux profonds et de l'apprentissage par renforcement, nous souhaitons aider les scientifiques à mener leurs recherches plus efficacement, ce qui pourrait conduire à de nouvelles percées dans le domaine des neurosciences.
Audrey Durand, professeure adjointe, Université Laval, membre académique associée, Mila
Publications
Ressources
TA-GAN pour l'amélioration de la résolution (de Bouchard et al. 2023)
Répertoire pour « Task-Assisted GAN for Resolution Enhancement and Modality Translation in Fluorescence Microscopy »
En savoir plus
https://github.com/FLClab/TA-GAN
Simulateur pySTED (de Turcotte et al. 2022)
Plateforme de simulation STED écrite en Python.
En savoir plus
https://github.com/FLClab/pySTED
MICRA-Net (de Bilodeau et al. 2022)
Code source de la publication « MICRA-Net: MICRoscopy Analysis Neural Network to solve detection, classification, and segmentation from a single simple auxiliary task ».
En savoir plus
https://github.com/FLClab/MICRA-Net
Implémentation du simulateur pySTED dans le bac à sable d'OpenAI (utilisé dans Bilodeau et al. 2022)
En savoir plus
https://github.com/FLClab/gym-sted
STEDActinFCN (pour reproduire les résultats de Lavoie-Cardinal et al. 2020)
Ce dossier contient les éléments nécessaires à la réalisation d'une expérience STED sur l'actine.
En savoir plus
https://github.com/FLClab/STEDActinFCN
Équipe
Membres Mila
Autres membres
Flavie Lavoie-Cardinal (professeure associée, Université Laval)