زندہ خلیوں کی فلوروسینس مائکروسکوپی حیاتیاتی نظام کی حرکیات کا مطالعہ کرنے کے لیے ایک ناگزیر ذریعہ فراہم کرتی ہے۔ لیکن بہت سے حیاتیاتی عمل - جیسے بیکٹیریل سیل ڈویژن اور مائٹوکونڈریل ڈویژن، مثال کے طور پر - وقفے وقفے سے واقع ہوتے ہیں، جس سے انہیں پکڑنا مشکل ہو جاتا ہے۔
اعلیٰ فریم ریٹ پر نمونے کی مسلسل امیجنگ اس بات کو یقینی بنائے گی کہ جب ایسی تقسیم ہوتی ہے تو وہ یقینی طور پر ریکارڈ کیے جائیں گے۔ لیکن ضرورت سے زیادہ فلوروسینس امیجنگ فوٹو بلیچنگ کا سبب بنتی ہے اور زندہ نمونوں کو وقت سے پہلے تباہ کر سکتی ہے۔ ایک سست فریم ریٹ، اس دوران، دلچسپی کے واقعات سے محروم ہونے کا خطرہ ہے۔ جس چیز کی ضرورت ہے وہ پیشین گوئی کرنے کا ایک طریقہ ہے جب کوئی واقعہ رونما ہونے والا ہے اور پھر مائکروسکوپ کو تیز رفتار امیجنگ شروع کرنے کی ہدایت کریں۔
سوئس فیڈرل انسٹی ٹیوٹ آف ٹیکنالوجی لوزان کے محققین (EPFL) نے صرف ایک ایسا نظام بنایا ہے۔ ٹیم نے ایک واقعہ سے چلنے والا حصول (EDA) فریم ورک تیار کیا جو نمونے پر دباؤ کو محدود کرتے ہوئے حیاتیاتی واقعات کی تفصیل سے تصویر بنانے کے لیے مائکروسکوپ کنٹرول کو خودکار بناتا ہے۔ عصبی نیٹ ورکس کا استعمال کرتے ہوئے دلچسپی کے واقعات کے ٹھیک ٹھیک پیش خیمہ کا پتہ لگانے کے لیے، EDA حصول کے پیرامیٹرز کو اپناتا ہے - جیسے امیجنگ کی رفتار یا پیمائش کا دورانیہ - جواب میں۔
"ایک ذہین خوردبین ایک قسم کی سیلف ڈرائیونگ کار کی طرح ہے۔ اسے مخصوص قسم کی معلومات، لطیف نمونوں پر کارروائی کرنے کی ضرورت ہوتی ہے جس کے بعد وہ اپنے رویے کو تبدیل کرکے جواب دیتا ہے،" پرنسپل تفتیش کار کی وضاحت کرتا ہے سلیانا مینلی ایک پریس بیان میں. "ایک نیورل نیٹ ورک کا استعمال کرتے ہوئے، ہم بہت زیادہ لطیف واقعات کا پتہ لگا سکتے ہیں اور حصول کی رفتار میں تبدیلیوں کو چلانے کے لیے ان کا استعمال کر سکتے ہیں۔"
EDA فریم ورک، جس میں بیان کیا گیا ہے۔ فطرت کے طریقے، لائیو امیج سٹریم اور مائکروسکوپ کنٹرولز کے درمیان فیڈ بیک لوپ پر مشتمل ہوتا ہے۔ محققین نے مائکروسکوپ سے تصاویر لینے کے لیے مائیکرو مینیجر سافٹ ویئر کا استعمال کیا اور ان کا تجزیہ کرنے کے لیے لیبل والے ڈیٹا پر تربیت یافتہ نیورل نیٹ ورک کا استعمال کیا۔ ہر تصویر کے لیے، نیٹ ورک آؤٹ پٹ سست اور تیز امیجنگ کے درمیان ٹوگل کرنے کے لیے فیصلہ سازی کے پیرامیٹر کے طور پر کام کرتا ہے۔
واقعہ کی پہچان
اپنی نئی تکنیک کا مظاہرہ کرنے کے لیے، مینلی اور ساتھیوں نے EDA کو ایک فوری ساختی الیومینیشن مائیکروسکوپ میں ضم کیا اور اسے مائٹوکونڈریل اور بیکٹیریل ڈویژنوں کی انتہائی حل شدہ وقت گزر جانے والی فلموں کو حاصل کرنے کے لیے استعمال کیا۔
مائٹوکونڈریل ڈویژن غیر متوقع ہے، عام طور پر ہر چند منٹ میں ایک بار ہوتا ہے اور دسیوں سیکنڈ تک جاری رہتا ہے۔ تقسیم کے آغاز کی پیشن گوئی کرنے کے لیے، ٹیم نے اعصابی نیٹ ورک کو رکاوٹوں کا پتہ لگانے کے لیے تربیت دی، مائٹوکونڈریل شکل میں تبدیلی جو تقسیم کا باعث بنتی ہے، اور DRP1 نامی پروٹین کی موجودگی کے ساتھ مل کر جو بے ساختہ تقسیم کے لیے ضروری ہے۔
نیورل نیٹ ورک "ایونٹ اسکورز" کا ایک ہیٹ میپ نکالتا ہے، جس میں اعلی قدریں ہوتی ہیں (جب دونوں کنسٹرکشنز اور DRP1 لیول زیادہ ہوتے ہیں) تصویر کے اندر ان مقامات کی نشاندہی کرتا ہے جہاں تقسیم ہونے کا زیادہ امکان ہوتا ہے۔ ایک بار جب ایونٹ کا سکور ایک حد کی قدر سے زیادہ ہو جاتا ہے، تو تقسیم کے واقعات کو تفصیل سے کیپچر کرنے کے لیے امیجنگ کی رفتار بڑھ جاتی ہے۔ ایک بار جب سکور دوسری حد تک کم ہو جاتا ہے تو، خوردبین کم رفتار امیجنگ میں تبدیل ہو جاتی ہے تاکہ نمونے کو ضرورت سے زیادہ روشنی میں آنے سے بچایا جا سکے۔
محققین نے مائٹوکونڈرین کے ہدف والے فلوروسینٹ لیبلز کا اظہار کرنے والے خلیوں پر EDA کا مظاہرہ کیا۔ ہر EDA پیمائش کے دوران، نیٹ ورک نے بیکٹیریل ڈویژن کے پیش رو کو اوسطاً نو بار تسلیم کیا۔ اس نے امیجنگ کی رفتار کو اوسطاً 0.2 سیکنڈ کے لیے سست (3.8 فریمز/s) سے تیز (10 فریمز/s) میں تبدیل کر دیا، جس کے نتیجے میں 18% فریموں کے لیے تیز امیجنگ ہوتی ہے۔ وہ نوٹ کرتے ہیں کہ بہت سی سائٹوں نے DRP1 جمع کیا لیکن تقسیم کا باعث نہیں بنی۔ ان سائٹس نے نیٹ ورک کو متحرک نہیں کیا، جو کہ دلچسپی کے واقعات میں امتیاز کرنے کی صلاحیت کا مظاہرہ کرتے ہیں۔
مقابلے کے لیے، ٹیم نے مسلسل سست اور تیز رفتاری سے تصاویر بھی اکٹھی کیں۔ ای ڈی اے نے فکسڈ ریٹ فاسٹ امیجنگ کے مقابلے میں کم نمونے کی فوٹو بلیچنگ کی وجہ سے، ہر ایک نمونے کے طویل مشاہدات کو قابل بناتا ہے اور نایاب مائٹوکونڈریل ڈویژن کے واقعات کو کیپچر کرنے کی مشکلات کو بڑھاتا ہے۔ کچھ معاملات میں، نمونہ امیجنگ کے سست مراحل کے دوران فوٹو بلیچنگ سے برآمد ہوا، جس سے روشنی کی ایک اعلی خوراک کو قابل بنایا جا سکے۔
جب کہ EDA کے ساتھ بلیچنگ مسلسل سست امیجنگ کے مقابلے میں زیادہ تھی، بہت سے EDA سیشن نمونے کی صحت میں کمی کے بغیر 10 منٹ تک پہنچ گئے۔ محققین نے یہ بھی پایا کہ ای ڈی اے نے تقسیم سے پہلے کی رکاوٹوں کو بہتر طریقے سے حل کیا، اور ساتھ ہی جھلیوں کی حالتوں کی ترقی جو انشقاق کا باعث بنتی ہے، جیسا کہ تیز تصاویر کے پھٹنے سے حاصل کیا گیا ہے۔
"ذہین مائکروسکوپی کی صلاحیت میں یہ پیمائش کرنا شامل ہے کہ معیاری حصول کس چیز سے محروم ہوں گے،" مینلی بتاتے ہیں۔ "ہم مزید واقعات کو پکڑتے ہیں، چھوٹی رکاوٹوں کی پیمائش کرتے ہیں، اور ہر ایک ڈویژن کو زیادہ تفصیل سے پیروی کر سکتے ہیں۔"
بیکٹیریل ڈویژن کا پتہ لگانا
اگلا، محققین نے بیکٹیریا میں سیل ڈویژن کا مطالعہ کرنے کے لئے EDA کا استعمال کیا C. کریسنٹس بیکٹیریل سیل سائیکل دسیوں منٹ کے ٹائم اسکیل پر ہوتا ہے، جو لائیو سیل مائکروسکوپی کے لیے الگ چیلنجز پیدا کرتا ہے۔ انہوں نے 6.7 فریم فی گھنٹہ کی دھیمی امیجنگ اسپیڈ، 20 فریم فی گھنٹہ کی تیز امیجنگ اسپیڈ یا ای ڈی اے کے ذریعہ تبدیل کردہ متغیر رفتار سے ڈیٹا اکٹھا کیا۔
ٹیم نے پایا کہ مائٹوکونڈریل رکاوٹوں کے لیے تیار کیا گیا واقعہ کا پتہ لگانے والا نیٹ ورک بغیر کسی اضافی تربیت کے بیکٹیریل تقسیم کے آخری مراحل کو پہچان سکتا ہے - ممکنہ طور پر کنسٹرکشن کی شکل میں مماثلت اور فعال طور پر ملتے جلتے مالیکیولر مارکر کی موجودگی کی وجہ سے۔
بہتر مائکروسکوپی تکنیک زندہ خلیوں کو سات گنا زیادہ حساسیت کے ساتھ دیکھتی ہے۔
ایک بار پھر، ای ڈی اے نے مسلسل تیز امیجنگ کے مقابلے میں فوٹو بلیچنگ کو کم کیا، اور مسلسل سست امیجنگ کے مقابلے میں نمایاں طور پر چھوٹے اوسط قطر کے ساتھ رکاوٹوں کی پیمائش کی۔ ای ڈی اے نے پورے سیل سائیکل کی امیجنگ کو فعال کیا اور بیکٹیریل سیل ڈویژن کی تفصیلات فراہم کیں جنہیں ایک مقررہ امیجنگ رفتار کا استعمال کرتے ہوئے پکڑنا مشکل ہے۔.
مینلی بتاتا ہے۔ طبیعیات کی دنیا کہ ٹیم مختلف قسم کے واقعات کا پتہ لگانے کے لیے نیورل نیٹ ورکس کو تربیت دینے کا بھی ارادہ رکھتی ہے اور مختلف ہارڈویئر ردعمل کو جنم دینے کے لیے ان کا استعمال کرتی ہے۔ "مثال کے طور پر، ہم خلیے کی تفریق کے اہم لمحات میں نقل کو ماڈیول کرنے کے لیے آپٹوجینیٹک ہنگامہ آرائی کا تصور کرتے ہیں،" وہ بتاتی ہیں۔ "ہم اعداد و شمار کے کمپریشن کے ایک ذریعہ کے طور پر ایونٹ کا پتہ لگانے کے بارے میں بھی سوچتے ہیں، سٹوریج کے لئے منتخب کرنے یا ڈیٹا کے ٹکڑوں کا تجزیہ کرنے کے بارے میں سوچتے ہیں جو ایک دیئے گئے مطالعہ سے سب سے زیادہ متعلقہ ہیں."
- محققین کو مختلف قسم کے خوردبینوں پر EDA کو لاگو کرنے کے قابل بنانے کے لیے، ٹیم کنٹرول فریم ورک فراہم کر رہی ہے۔ اوپن سورس پلگ ان مائیکرو مینیجر سافٹ ویئر کے لیے۔
