জীবিত কোষের ফ্লুরোসেন্স মাইক্রোস্কোপি জৈবিক সিস্টেমের গতিবিদ্যা অধ্যয়নের জন্য একটি অপরিহার্য হাতিয়ার প্রদান করে। কিন্তু অনেক জৈবিক প্রক্রিয়া - যেমন ব্যাকটেরিয়া কোষ বিভাজন এবং মাইটোকন্ড্রিয়াল বিভাজন, উদাহরণস্বরূপ - বিক্ষিপ্তভাবে ঘটে যা তাদের ক্যাপচার করা কঠিন করে তোলে।
ক্রমাগত একটি উচ্চ ফ্রেম হারে একটি নমুনা ইমেজ করা নিশ্চিত করবে যে যখন এই ধরনের বিভাজন ঘটবে, সেগুলি অবশ্যই রেকর্ড করা হবে। কিন্তু অত্যধিক ফ্লুরোসেন্স ইমেজিং ফটোব্লিচিং ঘটায় এবং জীবিত নমুনাগুলি অকালে ধ্বংস করতে পারে। একটি ধীর ফ্রেম রেট, এদিকে, আগ্রহের ঘটনাগুলি হারিয়ে যাওয়ার ঝুঁকি রয়েছে৷ কোন ঘটনা ঘটতে চলেছে তা পূর্বাভাস দেওয়ার একটি উপায় এবং তারপরে মাইক্রোস্কোপকে হাই-স্পিড ইমেজিং শুরু করার নির্দেশ দেওয়া দরকার।
সুইস ফেডারেল ইনস্টিটিউট অফ টেকনোলজি লুসানের গবেষকরা (EPFL) ঠিক এমন একটি সিস্টেম তৈরি করেছে। দলটি একটি ইভেন্ট-চালিত অধিগ্রহণ (EDA) কাঠামো তৈরি করেছে যা নমুনার উপর চাপ সীমিত করার সময় বিশদভাবে জৈবিক ইভেন্টগুলিকে চিত্রে মাইক্রোস্কোপ নিয়ন্ত্রণকে স্বয়ংক্রিয় করে। ইভেন্ট-অফ-ইন্টারেস্টের সূক্ষ্ম পূর্বসূরি সনাক্ত করতে নিউরাল নেটওয়ার্ক ব্যবহার করে, ইডিএ অধিগ্রহণের পরামিতিগুলিকে অভিযোজিত করে - যেমন ইমেজিং গতি বা পরিমাপের সময়কাল - প্রতিক্রিয়া হিসাবে।
“একটি বুদ্ধিমান মাইক্রোস্কোপ অনেকটা স্ব-চালিত গাড়ির মতো। এটিকে নির্দিষ্ট ধরণের তথ্য প্রক্রিয়া করতে হবে, সূক্ষ্ম নিদর্শন যা এটি তার আচরণ পরিবর্তন করে প্রতিক্রিয়া জানায়," প্রধান তদন্তকারী ব্যাখ্যা করেন সুলিয়ানা ম্যানলি একটি প্রেস বিবৃতিতে. "একটি নিউরাল নেটওয়ার্ক ব্যবহার করে, আমরা অনেক বেশি সূক্ষ্ম ঘটনা সনাক্ত করতে পারি এবং অধিগ্রহণের গতিতে পরিবর্তন আনতে সেগুলি ব্যবহার করতে পারি।"
EDA ফ্রেমওয়ার্ক, এতে বর্ণিত প্রকৃতি পদ্ধতি, একটি লাইভ ইমেজ স্ট্রিম এবং মাইক্রোস্কোপ নিয়ন্ত্রণের মধ্যে একটি প্রতিক্রিয়া লুপ নিয়ে গঠিত। গবেষকরা মাইক্রোস্কোপ থেকে চিত্রগুলি ক্যাপচার করতে মাইক্রো-ম্যানেজার সফ্টওয়্যার ব্যবহার করেছেন এবং তাদের বিশ্লেষণ করার জন্য লেবেলযুক্ত ডেটাতে প্রশিক্ষিত একটি নিউরাল নেটওয়ার্ক। প্রতিটি চিত্রের জন্য, নেটওয়ার্ক আউটপুট ধীর এবং দ্রুত ইমেজিংয়ের মধ্যে টগল করার জন্য সিদ্ধান্ত নেওয়ার পরামিতি হিসাবে কাজ করে।
ইভেন্ট স্বীকৃতি
তাদের নতুন কৌশল প্রদর্শনের জন্য, ম্যানলি এবং সহকর্মীরা একটি তাত্ক্ষণিক কাঠামোগত আলোকসজ্জা মাইক্রোস্কোপে EDA সংহত করেছেন এবং মাইটোকন্ড্রিয়াল এবং ব্যাকটেরিয়া বিভাগের সুপার-সমাধানকৃত সময়-ল্যাপস চলচ্চিত্রগুলি ক্যাপচার করতে এটি ব্যবহার করেছেন।
মাইটোকন্ড্রিয়াল বিভাজন অপ্রত্যাশিত, সাধারণত প্রতি কয়েক মিনিটে একবার ঘটে এবং কয়েক সেকেন্ড স্থায়ী হয়। বিভাজনের সূত্রপাতের পূর্বাভাস দেওয়ার জন্য, দলটি নিউরাল নেটওয়ার্ককে সংকোচন সনাক্ত করতে প্রশিক্ষণ দেয়, মাইটোকন্ড্রিয়াল আকৃতির পরিবর্তন যা বিভাজনের দিকে পরিচালিত করে, এবং স্বতঃস্ফূর্ত বিভাজনের জন্য প্রয়োজনীয় DRP1 নামক প্রোটিনের উপস্থিতির সাথে মিলিত হয়।
নিউরাল নেটওয়ার্ক "ইভেন্ট স্কোর" এর একটি হিট ম্যাপ আউটপুট করে, উচ্চ মান সহ (যখন উভয় সংকোচন এবং DRP1 মাত্রা বেশি থাকে) চিত্রের মধ্যে এমন অবস্থানগুলি নির্দেশ করে যেখানে বিভাজন হওয়ার সম্ভাবনা বেশি। একবার ইভেন্ট স্কোর একটি থ্রেশহোল্ড মান ছাড়িয়ে গেলে, বিভাজন ইভেন্টগুলি বিস্তারিতভাবে ক্যাপচার করতে ইমেজিং গতি বৃদ্ধি পায়। একবার স্কোরটি দ্বিতীয় থ্রেশহোল্ডে নেমে গেলে, অণুবীক্ষণ যন্ত্রটি কম-গতির ইমেজিংয়ে স্যুইচ করে যাতে নমুনাটিকে অতিরিক্ত আলোতে প্রকাশ না করা যায়।
গবেষকরা মাইটোকন্ড্রিয়ন-লক্ষ্যযুক্ত ফ্লুরোসেন্ট লেবেল প্রকাশকারী কোষগুলিতে EDA সঞ্চালন করেছেন। প্রতিটি EDA পরিমাপের সময়, নেটওয়ার্ক গড়ে নয় বার ব্যাকটেরিয়া বিভাজনের পূর্বসূরীদের স্বীকৃতি দিয়েছে। এটি গড়ে 0.2 সেকেন্ডের জন্য ইমেজিং গতিকে ধীর (3.8 ফ্রেম/সে) থেকে দ্রুত (10 ফ্রেম/সে) এ টগল করে, যার ফলে 18% ফ্রেমের জন্য দ্রুত ইমেজিং হয়। তারা নোট করে যে অনেক সাইট DRP1 জমা করেছে কিন্তু বিভাজনের দিকে নিয়ে যায় নি। এই সাইটগুলি নেটওয়ার্কটিকে ট্রিগার করেনি, ইভেন্ট-অফ-আগ্রহের বৈষম্য করার ক্ষমতা প্রদর্শন করে।
তুলনা করার জন্য, দলটি ধ্রুব ধীর এবং দ্রুত গতিতেও ছবি সংগ্রহ করেছে। ইডিএ ফিক্সড-রেট ফাস্ট ইমেজিংয়ের চেয়ে কম নমুনা ফটোব্লিচিং ঘটায়, প্রতিটি নমুনার দীর্ঘ পর্যবেক্ষণ সক্ষম করে এবং বিরল মাইটোকন্ড্রিয়াল ডিভিশন ইভেন্টগুলি ক্যাপচার করার সম্ভাবনা বাড়িয়ে তোলে। কিছু ক্ষেত্রে, নমুনাটি ধীর ইমেজিং পর্যায়গুলির সময় ফটোব্লিচিং থেকে পুনরুদ্ধার করা হয়, একটি উচ্চতর ক্রমবর্ধমান আলোর ডোজ সক্ষম করে।
ধ্রুব ধীর ইমেজিংয়ের তুলনায় EDA-তে ব্লিচিং বেশি হলেও, অনেক EDA সেশন নমুনা স্বাস্থ্যের অবনতি ছাড়াই 10 মিনিটে পৌঁছেছে। গবেষকরা আরও দেখেছেন যে EDA আরও ভালভাবে বিভাজনের পূর্ববর্তী সীমাবদ্ধতার সমাধান করেছে, সেইসাথে ঝিল্লির অবস্থার অগ্রগতি যা বিদারণের দিকে পরিচালিত করে, যেমনটি দ্রুত চিত্রগুলির বিস্ফোরণ দ্বারা ধারণ করা হয়েছে।
"বুদ্ধিমান মাইক্রোস্কোপির সম্ভাব্যতার মধ্যে পরিমাপ করা অন্তর্ভুক্ত যে কোন স্ট্যান্ডার্ড অধিগ্রহণগুলি মিস হবে," ম্যানলি ব্যাখ্যা করেন। "আমরা আরও ইভেন্ট ক্যাপচার করি, ছোট সীমাবদ্ধতা পরিমাপ করি এবং প্রতিটি বিভাগকে আরও বিস্তারিতভাবে অনুসরণ করতে পারি।"
ব্যাকটেরিয়া বিভাজন সনাক্তকরণ
এরপরে, গবেষকরা ব্যাকটেরিয়াতে কোষ বিভাজন অধ্যয়ন করতে EDA ব্যবহার করেন গ. ক্রিসেন্টাস। ব্যাকটেরিয়া কোষ চক্র দশ মিনিটের টাইমস্কেলে ঘটে, যা লাইভ-সেল মাইক্রোস্কোপির জন্য স্বতন্ত্র চ্যালেঞ্জ তৈরি করে। তারা 6.7 ফ্রেম/ঘন্টার একটি ধীর ইমেজিং গতিতে, 20 ফ্রেম/ঘন্টার একটি দ্রুত ইমেজিং গতি বা EDA দ্বারা পরিবর্তনশীল গতিতে ডেটা সংগ্রহ করেছে।
দলটি খুঁজে পেয়েছে যে মাইটোকন্ড্রিয়াল সংকোচনের জন্য তৈরি ইভেন্ট-ডিটেকশন নেটওয়ার্ক অতিরিক্ত প্রশিক্ষণ ছাড়াই ব্যাকটেরিয়া বিভাজনের চূড়ান্ত পর্যায়ে চিনতে পারে - সম্ভবত সংকোচনের আকৃতির মিল এবং কার্যকরীভাবে অনুরূপ আণবিক মার্কারের উপস্থিতির কারণে।
উন্নত মাইক্রোস্কোপি কৌশল সাতগুণ বেশি সংবেদনশীলতা সহ জীবন্ত কোষ দেখে
আবার, ইডিএ ধ্রুবক দ্রুত ইমেজিংয়ের তুলনায় ফটোব্লিচিং কমিয়েছে, এবং ধ্রুব ধীর গতির ইমেজিংয়ের তুলনায় উল্লেখযোগ্যভাবে ছোট গড় ব্যাসের সাথে সংকোচন পরিমাপ করেছে। EDA সমগ্র কোষ চক্রের ইমেজিং সক্ষম করেছে এবং ব্যাকটেরিয়া কোষ বিভাজনের বিশদ প্রদান করেছে যা একটি নির্দিষ্ট ইমেজিং গতি ব্যবহার করে ক্যাপচার করা কঠিন।.
ম্যানলি বলে ফিজিক্স ওয়ার্ল্ড যে দলটি বিভিন্ন ধরণের ইভেন্ট সনাক্ত করতে এবং বিভিন্ন হার্ডওয়্যার প্রতিক্রিয়া জাগানোর জন্য এগুলি ব্যবহার করার জন্য নিউরাল নেটওয়ার্কগুলিকে প্রশিক্ষণ দেওয়ার পরিকল্পনা করেছে৷ "উদাহরণস্বরূপ, আমরা কোষের পার্থক্যের মূল মুহুর্তে ট্রান্সক্রিপশন মডিউল করার জন্য অপটোজেনেটিক বিভ্রান্তির ব্যবহার কল্পনা করি," তিনি ব্যাখ্যা করেন। "আমরা ইভেন্ট সনাক্তকরণকে ডেটা কম্প্রেশনের একটি মাধ্যম হিসাবে ব্যবহার করার কথাও ভাবি, একটি প্রদত্ত অধ্যয়নের সাথে সবচেয়ে প্রাসঙ্গিক ডেটার টুকরোগুলি স্টোরেজ বা বিশ্লেষণের জন্য নির্বাচন করা।"
- গবেষকদের বিভিন্ন ধরণের অণুবীক্ষণ যন্ত্রে EDA বাস্তবায়ন করতে সক্ষম করার জন্য, দলটি নিয়ন্ত্রণ কাঠামো প্রদান করছে ওপেন সোর্স প্লাগ-ইন মাইক্রো-ম্যানেজার সফ্টওয়্যারের জন্য।
