ナノスケールで追跡し、AI を使って「細胞内の岩」をプレイします。

ミクロの世界では、すべての細胞は忙しい都市であり、分子はこの都市の住人です。もしこれらの住民たちのあらゆる動きを追跡することができれば、生命の謎の新たな一面を解明できるかもしれないと想像してみてください。これは、生きた細胞内で 3D 単一粒子追跡 (SPT) を行っている科学者たちの野心的な目標です。この技術により、細胞内の分子のあらゆる動きを観察し、それらがどのように相互作用して複雑な生物を形成するかを理解できるようになります。

しかし、ミクロの世界で正確に追跡するのは簡単ではありません。銃撃戦の映画で、高速で移動する弾丸を追跡するのは十分に困難ですが、分子は弾丸よりもはるかに速く移動し、その移動軌道の複雑さは想像を絶するほどです。科学者が直面している課題は、雪片で満たされた空で、それぞれの雪片の軌道を追跡しようとするのと同じくらい難しい。

細胞の3次元空間における分子の動きをリアルタイムかつ正確に追跡するために、厦門大学のFang Ning教授のチームは、ディープラーニングに基づく自動化された高速多次元単一粒子追跡システムを開発しました。このシステムは、細胞微小環境におけるナノ粒子の回転追跡の限界を打ち破り、生きた細胞内の単一分子/単一ナノ粒子のナノスケールでの全面的かつ正確な追跡を実現します。 3次元空間での変位を追跡するだけでなく、分子/ナノ粒子の回転運動も初めて観測します。現在、この論文は権威ある学術誌「Nano Letters」に掲載されています。

研究のハイライト:

低信号対雑音比 (S/N) 条件下での回転追跡の制限を克服するために、ディープラーニング アルゴリズムを統合した単一粒子追跡システムが構築されました。

このシステムは、高い位置特定精度（<10 nm）と時空間分解能（0.9 ms）で、生細胞内の異方性金ナノ粒子プローブの3D方向を追跡するために使用できます。

このシステムは従来の方法よりも堅牢性と耐ノイズ性に優れており、生きた細胞内の微小管に沿った貨物の動きを研究することでその有効性が実証されています。

SPT システム: 自動、高速、多次元単一粒子追跡システム

生きた細胞内の動的なプロセスをより包括的に理解するために、この研究ではまず多次元イメージング装置を開発しました。

自動高速多次元SPTイメージング装置の概略図

上の図に示すように、イメージング デバイスには、二重焦点面イメージング、視差顕微鏡、自動追跡機能が統合されています。

デュアル焦点面イメージング

光線はコンデンサーを通過した後、対物レンズ (OBJ) と対物スキャナ (OS) を通過します。収集光路に反射透過比7:3のビームスプリッター（BS）を挿入することで、収集された信号を2つの撮像チャネル（フォーカスチャネルとデフォーカスチャネル）に分割し、デュアル焦点面撮像を実現します。デフォーカス チャネルに 750 mm の凸レンズ (上図の L1) を挿入すると、フォーカス チャネルとデフォーカス チャネルの間に約 900 nm の軸方向の分離が作成され、最も適切なデフォーカス パターンが生成されます。

視差顕微鏡

取得された信号は、ウェッジプリズム (WP) によって、鏡像で垂直に揃った 2 つの画像に分割されます。この装置は、Δy と Δz 間の正確な関係を確立し、異なる Z 軸位置にあるプローブの 2 つの画像間の距離を記録することによって較正曲線を構築します。次に、プローブの XY 平面における 2 つのミラー ポイント間の距離を計算することによって、プローブの Z 軸の位置が決定されます。

自動追跡機能

この装置には、圧電対物レンズスキャナ (p-725.4CD) とコントローラ (E-709) で構成される自動フィードバック追跡システムが統合されています。プローブの Z 軸の動きによって 2 つのミラー ポイント間の距離が変化すると、自動追跡プログラムは変化値に基づいてターゲット スキャナーが移動する必要がある距離を計算します。

モデルアーキテクチャ: 入力層 + 4 つの畳み込みブロック + 3 つの完全接続層

データ分布の多様性を確保するために、本研究では、画像のスケーリング、さまざまな程度のガウスノイズの追加、位置変換の実行により、トレーニングと検証用のシミュレーションデータと実験データを同じ割合で混合しました。

本研究では、Visual Geometry Group (VGG) モデルに着想を得て、入力画像を 3 次元方向 (方位角 φ と極角 θ) にマッピングすることで畳み込みニューラル ネットワーク モデルを構築しました。

一般的に言えば、畳み込みブロックの数は、背景を含む多層画像の特徴抽出にとって非常に重要です。したがって、この研究では、1〜4 個の畳み込みブロックを使用して CNN アーキテクチャをテストしました。結果は、4 つの畳み込みブロックを持つ CNN モデルの誤差が最小であることを示しています。

多次元画像システム

結果から、この研究の CNN モデルは最終的に入力層、4 つの畳み込みブロック、および 3 つの完全接続 (FC) 層で構成されることがわかります。で：

入力層は固定サイズの画像を受け取り、それをテンソルに変換して渡します。

4 つの畳み込みブロックには、複数の畳み込み層とプーリング層が含まれています。

a. 4 つの畳み込みブロックには、それぞれ 64、128、256、512 個の畳み込みカーネルが含まれています。すべての畳み込みカーネルのサイズは 3×3 です。各畳み込み層はバッチ正規化と正規化線形単位 (ReLU) 活性化関数を通過し、モデルの収束を高速化し、過剰適合を防ぐと同時に、ニューラル ネットワークの非線形マッピング機能を強化します。

b.プーリング層は、変換不変性を確保しながら、ネットワークの計算パラメータを削減します。

それぞれ 2048、2048、451 個のニューロンを含む 3 つの完全接続層は、畳み込み層とプーリング層によって抽出された特徴をより高レベルの表現に統合できるため、ネットワークはより複雑な決定や分類を行うことができます。

ディープラーニング画像認識アルゴリズム

CNN-exp、CNN-sim、CNN-sim+exp の 3 つのモデルの損失曲線を調べると、シミュレートされたデータ セットでは、CNN モデルは 30 エポック後に収束に達することができることがわかります。対照的に、実験データセットを使用したトレーニングでは、収束するまでに約 90 エポックが必要です。さらに、CNN-sim+exp モデルの収束速度は比較的速いです。

耐ノイズ性評価と貨物移動研究：CNNモデルにはさらなる利点がある

実際のアプリケーションでは、高い時空間解像度と細胞生存率が生細胞イメージングに影響を与えます。そこで本研究では、4、2、1.4などの異なる信号対雑音比条件下でCNNモデルのノイズ耐性と堅牢性をテストし、従来のCC（相関係数）法と比較しました。

CNNモデルとCC法の画像化結果

研究結果によると、信号対雑音比が 4 の場合、CNN と CC の両方の方法は優れたパフォーマンスを示し、誤差は 2° 未満です。信号対雑音比が 2 に低下すると、CNN 方式の誤差の増加は CC 方式の 5 分の 1 に過ぎません。信号対雑音比が 1.4 の場合、CC 方式では粒子の方向を区別できませんが、CNN モデルの誤差は依然として許容範囲内です。

これは、低 SNR 環境では、CNN モデルが CC 方式よりもノイズ耐性が高く、堅牢であることを示しています。

貨物輸送の3D軌道図

ATP の加水分解によって生成されるエネルギーは、細胞内の分子を動かして貨物を輸送する「モーター」です。したがって、貨物の特徴的な並進運動と回転運動は、貨物のキネシンへの結合状態に関する豊富な情報を提供し、貨物-モーター-微小管相互作用の研究を解明するための新しい視点を提供します。簡単に言えば、この研究では、自動高速多次元 SPT イメージング デバイスとディープラーニング モデル (CNN-sim+exp モデル) を組み合わせて、生きた細胞内の微小管骨格に沿って貨物を輸送するモーター タンパク質の動的プロセスを研究しました。

輸送プロセス全体を通じて、貨物は 2 つの一時停止段階といくつかの能動輸送段階を経ました。

最初の一時停止中、貨物の回転の自由度はほとんどなく、しっかりと固定された状態にあることがわかります。 2 つの一時停止段階の間では、貨物は能動輸送段階にあり、自動追跡システムは従来の画像化方法では取得が困難な約 300 nm の軸方向変位を記録しました。

2 番目の一時停止フェーズでは、貨物の運動状態が、しっかりと固定された状態と係留された回転の間で絶えず切り替わります。密着付着モードでは、貨物はさまざまなモータータンパク質を介して微小管にしっかりと付着し、自由に回転することはほとんどありません。係留回転モードでは、貨物は微小管に緩く結合しており、常に新しい微小管を探し出して結合します。全体として、この一連の動きは、細胞内輸送のダイナミクスと複雑さ、および微小管に沿った貨物の移動を促進するキネシンの役割を浮き彫りにします。

アメリカで13年間働いた後、母校に戻った

研究者に対する徹底的な調査に基づいて、この論文の責任著者である厦門大学のFang Ning教授が私たちの目に留まりました。教育経験から判断すると、方寧教授は「成功を目指して努力し、母校に恩返しをする」模範的な人物であると言えるでしょう。

1998年、厦門大学化学科を卒業後、ファン・ニン教授は、国際的に著名な分析化学者であるデイビッド・ディチェン教授とエドワード・S・ユン教授の指導の下、カナダのブリティッシュコロンビア大学と米国エネルギー省エイムズ国立研究所で博士研究員および博士研究員として研究を行いました。

ファン・ニン教授

ファン・ニン教授は米国で13年間勤務した後、ジョージア州立大学の教授に昇進した。方寧教授は、国内の光イメージング分野に貢献するため、2021年に中国にフルタイムで帰国し、厦門大学化学工学学院の特別教授として化学およびバイオ光学イメージング技術の開発に携わっています。彼はこれらの先駆的なツールを頼りに、ナノマテリアル、触媒、生物物理学の分野で単一分子および単一粒子の研究を行いました。これまでに、Nature Catalysis、Nature Cell Biology、Chemical Reviews、Nature Communications、Science Advances、JACS、Angewandte Chemie などのジャーナルに 90 本以上の論文を発表しています。

現在、方寧教授は厦門大学に単分子、単粒子、光学顕微鏡の実験室を独自に構築しています。分子とナノ材料の光学イメージングの分野に焦点を当て、単一粒子回転追跡技術、ラマン分光法+高度イメージング、レーザーシートスキャンイメージング、超解像光学イメージング、全反射蛍光、全反射暗視野など、中国で6つの主要な研究方向を開発しました。単一分子、単一粒子、光学顕微鏡の分野で優れた業績を残した。

方寧教授のチームは2021年にすでに、新たな単一粒子回転追跡システムと3次元角度単一粒子追跡技術を開発し、受容体を介したエンドサイトーシスのメカニズムの解明と細胞内小胞輸送の回転ダイナミクスのリアルタイム分析において画期的な進歩を遂げました。 AIの波が押し寄せる中、チームは光学イメージング分野におけるAI技術の卓越した価値を痛感しました。この研究は、ディープラーニング/AI支援イメージングを使用して生きた細胞の生命プロセスを研究するための第一歩です。

ファン・ニン教授のチームは、実験にAIを導入するには、画像の自動認識、運動パターンと細胞の行動の分類と予測という3つの主要分野でのブレークスルーが必要だと考えています。この研究成果は、計算シミュレーションによって生成されたデータに基づく自動画像認識の第一段階の中間成果です。チームは現在、第 2 段階で発生する細胞生物学的プロセスの特定と特徴付けに取り組んでいます。

これら3つの段階がすべて完了すれば、研究者は薬物送達のプロセスと結果を予測できるようになり、国内の製薬業界をリードすることになるだろうことは間違いない。