Perangkat Lunak Deep Learning Membantu Mengidentifikasi Bakteri Pada Gambar Mikroskop

Perangkat Lunak Deep Learning Membantu Mengidentifikasi Bakteri Pada Gambar Mikroskop – Omnipose, perangkat lunak deep learning, membantu memecahkan tantangan dalam mengidentifikasi bakteri yang bervariasi dan sangat kecil dalam gambar mikroskop. Ini telah melampaui tujuan awal ini untuk mengidentifikasi beberapa jenis objek kecil lainnya dalam mikrograf.

Perangkat Lunak Deep Learning Membantu Mengidentifikasi Bakteri Pada Gambar Mikroskop

hospitalmicrobiome  – Laboratorium mikrobiologi Kedokteran UW Joseph Mougous dan laboratorium fisika dan bioteknologi Universitas Washington Paul A. Wiggins menguji alat tersebut. Ini dikembangkan oleh mahasiswa pascasarjana fisika Universitas Washington Kevin J. Cutler dan timnya. Mougous mengatakan bahwa Cutler, sebagai mahasiswa fisika, “menunjukkan minat yang tidak biasa dalam membenamkan dirinya dalam lingkungan biologi sehingga dia bisa belajar langsung tentang masalah yang membutuhkan solusi di bidang ini.

Baca Juga : Mikrobioma Tersembunyi Membentengi Hewan, Tumbuhan Juga

Dia datang ke lab saya dan dengan cepat menemukan satu yang dia selesaikan dengan cara yang spektakuler.” Para ilmuwan menemukan bahwa Omnipose, yang dilatih pada database besar gambar bakteri, berkinerja baik dalam mengkarakterisasi dan mengukur banyak sekali bakteri dalam kultur mikroba campuran dan menghilangkan beberapa kesalahan yang dapat terjadi pada pendahulunya, Cellpose.

Selain itu, perangkat lunak tidak mudah tertipu oleh perubahan ekstrim dalam bentuk sel karena pengobatan antibiotik atau antagonisme oleh bahan kimia yang dihasilkan selama agresi antarbakteri. Faktanya, program tersebut menunjukkan bahwa ia bahkan dapat mendeteksi keracunan sel dalam percobaan menggunakan E. coli. Selain itu, Omnipose berhasil mengatasi masalah pengenalan karena perbedaan karakteristik optik di berbagai bakteri.

Sebagian besar bakteri berbentuk bola atau batang, tetapi beberapa memiliki bentuk dasar lainnya, seperti spiral yang berputar. Selain itu, Omnipose dapat mengidentifikasi bakteri yang lebih rumit dengan bentuk memanjang atau dengan cabang, filamen, dan pelengkap, semua ciri fisik yang dapat mempersulit alat pembelajaran mendalam untuk menentukan bakteri mana yang ada dalam gambar.

Program ini masih menghadapi beberapa keterbatasan dalam menangani objek yang tumpang tindih dalam tampilan 2D dari sampel 3D dari komunitas mikroba yang padat. Tumpang tindih objek inilah yang menghasilkan, misalnya, efek jam di dinding yang memberikan ilusi muncul dari kepala seseorang dalam sebuah foto. Dalam menganalisis sel dalam kumpulan data primordial akar dari gulma yang tumbuh cepat A. thaliana, Omnipose tetap menunjukkan beberapa keunggulan dibandingkan pendekatan sebelumnya dalam sampel 3D ini.

Ulasan lain oleh tim lab Mougous tentang kemampuan Omnipose menunjukkan bakteri di bawah ambang batas tertentu dalam ukuran bisa sulit untuk dipecahkan oleh alat tersebut. Terlepas dari kekurangan ini, para peneliti percaya bahwa Omnipose bisa menjadi solusi, kata mereka, untuk “membantu menjawab beragam pertanyaan dalam biologi sel bakteri.” Untuk melihat apakah itu juga bisa menjadi alat multifungsi di bidang biologi atau bahkan non-kehidupan lain yang bergantung pada mikroskop, para ilmuwan mencoba program pada mikrograf cacing gelang ultra-kecil C.

elegans, organisme penting dalam genetika, ilmu saraf, penelitian perkembangan dan perilaku mikroba. Seperti beberapa bakteri, makhluk ini memiliki bentuk yang memanjang. Seperti banyak cacing lainnya, ia juga dapat memutarbalikkan dirinya sendiri. Omnipose dapat memilih C. elegans terlepas dari berbagai peregangan, kontraksi, dan gerakan lainnya. Kemampuan ini bisa berguna, misalnya, dalam studi saraf penggerak C. elegans selama pelacakan selang waktu.

Dalam merancang alat seperti Omnipose, peneliti melihat skala presisi piksel tunggal untuk menentukan batas sel. Itu karena sebagian besar gambar tubuh sel bakteri hanya terdiri dari sejumlah kecil piksel. Para peneliti menjelaskan bahwa mendefinisikan batas-batas dalam sebuah gambar disebut segmentasi. Mereka mengembangkan Ominpose melalui jaringan saraf yang dalam, algoritma segmentasi presisi tinggi. Eksperimen mereka menunjukkan Omnipose memiliki akurasi segmentasi yang belum pernah ada sebelumnya.

Para ilmuwan merancang Omnipose yang dirancang untuk digunakan oleh laboratorium penelitian biasa dan membuat kode sumber, data pelatihan, dan modelnya tersedia untuk umum, bersama dengan dokumentasi tentang cara menggunakan program tersebut. “Kami mengantisipasi bahwa kinerja tinggi Omnipose di berbagai morfologi dan modalitas seluler,” tulis para peneliti dalam laporan mereka, “dapat membuka informasi dari gambar mikroskop yang sebelumnya tidak dapat diakses.” Selain Cutler, Wiggins dan Mougous, peneliti lain pada proyek pengujian Omnipose adalah Carsen Stringer, Teresa W. Lo, Luca Rappez, Nicholas Stroustrup. S. Brooke Peterson, dan Paul Wiggins. Mougous adalah penyelidik Howard Hughes Medical Institute.