MUFASA: симулятор флуоресцентной микроскопии на цепях Маркова

В журнале Nature был представлен MUFASA — физически обоснованный симулятор флуоресцентной микроскопии сверхвысокого разрешения, моделирующий динамику флуорофоров с помощью цепей Маркова для SMLM и FF-SRM независимо от длительности кадров.

MUFASA воссоздает физику флуорофоров

Новый алгоритм под названием MUFASA (Multi-Protocol Unified Fluorescence-based Advanced Simulation Algorithm) охватывает несколько суперразрешенных протоколов флуоресцентной микроскопии. Согласно публикации в журнале Nature, симулятор использует непрерывные цепи Маркова для описания поведения флуорофоров. Такой подход позволяет достичь реалистичной эмиссии фотонов как в методах локализации отдельных молекул (Single Molecule Localization Microscopy, SMLM), так и в методах на основе флуктуаций (FF-SRM), причем расчеты не зависят от параметров выборки и длительности отдельных кадров.

Программный комплекс поддерживает работу как с отдельными излучателями, так и с целыми структурами. В симуляцию заложены реальные свойства камер, процессы фотообесцвечивания и фотофизические переходы.

Авторы разработали метод валидации данных

Для сопоставления виртуальных результатов с реальными экспериментальными данными авторы проекта разработали новый метод валидации. В его основе лежит оценка расстояния 1-Вассерштейна между распределениями числа фотонов, полученными в ходе эксперимента и симуляции.

MUFASA позволяет вычислять ключевые фотофизические показатели, включая молярный коэффициент экстинкции, а также рассчитывать оптимальные диапазоны мощности источников света на основе данных о флуктуациях.

Интерфейс Python помогает проверять гипотезы

Для взаимодействия с платформой разработчики создали интуитивный графический интерфейс на языке Python. Он предназначен для изменения параметров в реальном времени, визуализации процессов и экспорта файлов в формате TIFF.

Как сообщает Nature, система адресована физикам, биологам, специалистам по вычислительной визуализации и микроскопистам. Платформа применяется для планирования экспериментов и проверки гипотез, а также открывает возможности для создания качественных тренировочных наборов данных, необходимых алгоритмам машинного обучения в различных методах визуализации.

Read more:  Поиски Кардиналс нового QB натолкнулись на «загвоздку» Джимми Гаропполо

Share this:

По теме