Zespół badaczy z Wydziału Matematyki PWr uczestniczył w badaniach międzynarodowej grupy naukowców, których celem było opracowanie i porównanie nowoczesnych metod analizy ruchu pojedynczych cząstek. Efekty tych prac zostały opublikowane na łamach prestiżowego czasopisma Nature Communications.
Badania, w których brał udział dr hab. Janusz Szwabiński, prof. uczelni z Katedry Matematyki Stosowanej i Centrum im. Hugona Steinhausa, dr Hanna Loch-Olszewska i doktorantka Patrycja Kowalek, prowadzone były w ramach pierwszej edycji konkursu AnDi challenge. Jego celem było opracowanie przez zespoły badaczy z całego świata metod analizy anomalnej dyfuzji i porównanie ich skuteczności
Uczestnicy mieli do rozwiązania trzy zadania: klasyfikację rodzaju dyfuzji w podanych trajektoriach, regresję, czyli odczytanie z trajektorii współczynnika dyfuzji i wykładnika dyfuzyjnego oraz detekcję punktów zmiany, czyli próbę znalezienia punktów w ramach pojedynczych trajektorii, w których dyfuzja cząstki zmienia swój charakter.
Rysunek 1: (a) Ruchy dyfuzyjne pojawiają się w różnych skalach czasowych i przestrzennych w wielu różnych układach fizycznych (tutaj od lewej: atomy w pułapkach magnetooptycznych, dyfuzja elementów żywych komórek, ruch bakterii i komórek oraz żerowanie zwierząt. (b) Trajektorie pojedynczych cząstek w różnych wymiarach przestrzennych: białka ślizgające się po DNA (1D), receptory dyfundujące po błonie cytoplazmatycznej (2D) i komórki poruszające się w macierzy pozakomórkowej (3D). (c) Zadania zdefinowane w ramach konkursu. Do wyuczenia klasyfikatorów użyto danych syntetycznych, wygenerowanych przy pomocy 5 modeli dyfuzji: CTRW, LW, FBM, SBM i ATTM. Źródło: Muñoz-Gil, G., Volpe, G., Garcia-March, M.A. et al. Objective comparison of methods to decode anomalous diffusion. Nat Commun 12, 6253 (2021). https://doi.org/10.1038/s41467-021-26320-w
Większość zespołów zaproponowała metody wykorzystujące algorytmy uczenia maszynowego. Wszystkie z nich okazały się dużo lepsze od tradycyjnej analizy średniego przesunięcia kwadratowego.
– Zwycięzcy korzystali z bardzo popularnych dzisiaj metod uczenia głębokiego, w których sztuczne sieci neuronowe samodzielnie analizują dane treningowe i wydobywają z nich cechy charakterystyczne dla poszczególnych typów trajektorii, aby następnie użyć ich do klasyfikacji nowych próbek. – mówi prof. Janusz Szwabiński z Wydziału Matematyki PWr.
– My także rozważaliśmy wykorzystanie podobnych algorytmów, bo mamy już pewne doświadczenia z zastosowaniem sieci konwolucyjnych i rekurencyjnych do tego typu zadań. Jednak ostatecznie postanowiliśmy użyć bardziej tradycyjnych, zespołowych metod uczenia maszynowego, w których wejściem do klasyfikatorów był opracowany przez nas zestaw cech wyliczanych z trajektorii. Skuteczność naszej metody okazała się nieco gorsza od tych najlepszych, jednak przewyższa je pod względem interpretowalności wyników, czyli rozumienia przesłanek, na podstawie których maszyna podejmuje decyzje. Wierzymy, że dalsze prace nad wyborem cech pozwolą na uzyskanie jeszcze lepszych wyników – dodaje prof. Szwabiński.
Najlepsze metody miały skuteczność na poziomie nieco ponad 80%. Biorąc pod uwagę fakt, że dane były zaszumione, a niektóre trajektorie bardzo krótkie, jest to wynik bardzo obiecujący. Jednocześnie zostawia jeszcze sporo miejsca na rozwój kolejnych, lepszych metod analizy procesów dyfuzyjnych.
Nad ich ulepszeniem pracują naukowcy z całego świata
Ostatnie postępy w mikroskopii jednocząstkowej i technikach obrazowania spowodowały, że śledzenie cząstek stało się popularną metodą badania procesów dynamicznych zachodzących w różnych materiałach, w tym w żywych komórkach.
W typowym doświadczeniu, cząstki w obserwowanej próbce oznaczone są przy pomocy fluorescencyjnych znaczników, które po oświetleniu laserem emitują światło. Ich położenia można określić pod mikroskopem i utrwalić na zdjęciu. Jeśli użyje się laserów migających z dużą częstotliwością, możliwe jest zarejestrowanie zmian w położeniach cząstek klatka po klatce. Analiza zdjęć pozwala na odtworzenie trajektorii ruchu poszczególnych cząstek, z których następnie wnioskuje się na temat ich fizycznych właściwości. Pierwszym krokiem jest określenie typu dyfuzji, której podlega cząstka, ponieważ ta informacja stanowi klucz do zrozumienia mechanicznych własności jej otoczenia.
Najbardziej popularną metodą ustalenia rodzaju dyfuzji cząstki jest analiza jej średniego przesunięcia kwadratowego. Jeśli zależy ono liniowo od czasu ruchu, mamy do czynienia z dyfuzją normalną, czyli sytuacją, w której cząstka porusza się bez żadnych przeszkód w swoim środowisku. Zależność potęgowa wskazuje na dyfuzję anomalną. Przy tym, gdy wykładnik dyfuzyjny jest mniejszy od jedności, mamy do czynienia z subdyfuzją, w przeciwnym razie – z superdyfuzją. Pierwsza sytuacja odpowiada cząstce, która na swojej drodze napotyka na przeszkody, wpada w pułapki, mocno oddziałuje z innymi cząstkami lub porusza się w środowisku o dużej lepkości. W drugiej cząstka napędzana jest biologicznymi motorami molekularnymi.
Analiza średniego przesunięcia kwadratowego, mimo że koncepcyjnie bardzo prosta, ma jednak kilka wad, wynikających głównie ze skończonej dokładności przyrządów pomiarowych używanych w doświadczeniach oraz krótkich trajektorii w nich obserwowanych. Dlatego właśnie jej ulepszenie stanowi przedmiot intensywnych badań naukowców z całego świata.