Optik ve Fotonik Haberleri – Lazerle çalışan polen sınıflandırması

Küçük polen tanelerini sıradan bir ışık mikroskobu altında saymak ve sınıflandırmak zor bir iştir. Artık araştırmacılar, görevi hızlandırmak için optik teknolojiyi ve yapay zekayı (AI) bir araya getirdiler (New Phytologist, doi: 10.1111/nph.19186).

Ekip, görüntüleme akış sitometrisi adı verilen bir süreç aracılığıyla 5.500 yıllık fosil polen örneklerinin parlak alan, yan saçılım ve otofloresan görüntülerini yakaladı. Hesaplamalı sinir ağları, önceden seçilmiş polen görüntülerinin standart eğitim kitaplıklarına dayanarak eski tahılları sınıflandırmak için derin öğrenmeye rehberlik etti.

Araştırmacılar, arkeolojik alanlarda bulunan korunmuş polenleri keşfetmenin yanı sıra, bu teknolojinin gelecekte alerjisi olan kişileri dış mekan koşulları konusunda uyarmak için atmosferik polen okumalarını iyileştirebileceğini söylüyor.

Görüntüleme akış sitometrisi

Temel akış sitometrisinde, bir sıvı içinde asılı kalan parçacıklar bir ağızlıktan dar bir tüpe geçer. Tüpe dik olarak konumlandırılan bir lazer, ışının içinden geçen küçük nesneleri aydınlatır ve çeşitli aynalar ve dedektörler, ortaya çıkan sinyalleri alır. Bazı durumlarda akış sitometrisi basitçe hücreleri veya diğer molekülleri sayar ve ayırır, ancak mikroskobik görüntüleme teknolojisi kullanılarak bu yöntem saniyede on binlerce görüntü elde edebilir.

Araştırmacılar ağı fosil polen görüntüleri üzerinde eğittiğinde, yapay zeka aracı antik moleküllerin %100’ünü düzen düzeyinde, %77’sini aile düzeyinde ve %96’sını cins düzeyinde sınıflandırdı.

Ekip, Claire M. Barnes, Swansea Üniversitesi, Birleşik Krallık ve Anne L. Birleşik Krallık’taki Exeter Üniversitesi’nden Power, göl çökelti çekirdeklerinden antik polen taneleri çıkardı ve referans örneği olarak 53 modern örnekten polen taneleri koleksiyonu derledi. Bitki türleri. Araştırmacılar, parlak alan aydınlatmasına ve dalga boyu 405 ila 785 nm arasında değişen beş uyarma lazerine sahip, ticari olarak temin edilebilen bir görüntüleme akış sitometresi kullandılar. Altı tespit kanalı, eski ve taze polen tanelerinin otofloresan, parlak alan ve yana saçılım görüntülerini 20x ve 1 μm büyütmede topladı.² Piksel çözünürlüğü.

Ekip daha sonra modern polen referans kütüphanesini tür düzeyine kadar tanımlamak için bir bilgisayar ağını eğitti ve bu da ağın poleni %93’e varan doğrulukla başarılı bir şekilde tanımlamasını sağladı. Araştırmacılar ağı fosil polen görüntüleri üzerinde eğittiğinde, yapay zeka aracı eski moleküllerin %100’ünü düzen düzeyinde, %77’sini aile düzeyinde ve %96’sını cins düzeyinde sınıflandırdı; bu, öncekilerden daha yüksek bir düzeydir. cins seviyesi. Biyolojik sınıflandırmada türler.

Polen tahmini

Makaleye eşlik eden bir basın bülteninde Barnes, “Sistemimize derin öğrenmenin benzersiz bir versiyonunu dahil etmek, yapay zekanın daha akıllı olduğu ve öğrenmeye daha esnek bir yaklaşım uyguladığı anlamına geliyor” dedi. “Düşük kaliteli görüntüleri işleyebilir ve sistem eğitim sırasında daha önce hiç görmemiş olsa bile polenin hangi bitki ailesine ait olduğunu tahmin etmek için ortak tür özelliklerini kullanabilir.”

Önümüzdeki yıllarda araştırmacılar, sistemlerini geliştirip piyasaya sürmeyi ve mevsimsel alerji olarak da bilinen saman nezlesi olan kişiler için özellikle tahriş edici olan çim poleni hakkında daha fazla bilgi edinmek için kullanmayı umuyorlar. Power, “Bazı çim polenleri diğerlerinden daha alerjiktir” dedi. “Belirli zamanlarda yaygın olan polen türlerini daha iyi anlayabilirsek, bu durum saman nezlesi olan kişilerin polenlere maruz kalma planlarını azaltmalarına yardımcı olabilecek polen tahminlerinde iyileşmelere yol açacaktır.”