Un simulador que acerca la inteligencia artificial a la microscopía de superresolución
Con pySTED se pueden crear datos sintéticos, entrenar y validar algoritmos y trasladarlos al equipo físico
Un trabajo reciente, publicado en Nat. Mach. Intell. (2024) describe una plataforma que reproduce un microscopio de superresolución o STED (Stimulated Emission Depletion) basado en fluorescencia, de forma realista dentro de un entorno virtual. La plataforma, denominada pySTED, permite entrenar y validar estrategias de inteligencia artificial (IA) para optimizar la adquisición y análisis de imágenes, y luego aplicarlas en un microscopio real sin necesidad de ajustes adicionales.
La relevancia de la microscopía STED radica en que permite observar estructuras biológicas a escala de decenas de nanómetros, tanto en muestras fijadas como vivas.
Sin embargo, enfrenta dos problemas clásicos: el fotoblanqueo, por pérdida de fluorescencia debido a la intensidad de la luz, y la fototoxicidad, por daño celular. La optimización de los parámetros de iluminación exige un equilibrio delicado, y entrenar a la IA para automatizar este proceso demanda grandes volúmenes de datos que, en muchos casos, son escasos o difíciles de obtener.
pySTED simula el comportamiento óptico y físico de un microscopio STED real, desde los haces láser hasta la detección de fluorescencia. También incorpora modelos de fotoblanqueo basados en datos experimentales y ruido realista para acercarse a lo que ocurre en el equipo físico. Con esa información, genera imágenes sintéticas (simulaciones realistas) a partir de mapas de fluoróforos usando redes neuronales, de manera que las estructuras simuladas reproduzcan con precisión lo que se vería en células reales.
La plataforma está desarrollada en Python y funciona en entornos accesibles como Google Colab, lo que la hace utilizable por los investigadores sin la necesidad de un hardware especializado.
Los investigadores utilizaron pySTED para entrenar distintos enfoques de IA para mejorar la microscopía óptica. Entrenaron también algoritmos de control automático que ajustan solos parámetros del microscopio, como la potencia de los láseres, optimizando imágenes sin intervención humana. Con la aplicación del aprendizaje por refuerzo, donde un modelo aprende por prueba y error a equilibrar nitidez, señal y fotoblanqueo, pudieron resolver estructuras complejas en células vivas al transferirlo a un microscopio real. Es la primera vez que esta técnica se usa para optimizar en tiempo real la adquisición de imágenes.
Para los laboratorios, pySTED reduce riesgos y costos, al no gastar muestras y reducir horas de trabajo. Los modelos desarrollados en pySTED se transfieren al microscopio real casi sin ajuste, acelerando la adopción de microscopía inteligente, ahorrando tiempo y recursos críticos.
pySTED es un puente entre la IA y la microscopía de superresolución basada en fluorescencia. Abre una vía para acelerar experimentos, reducir consumo de muestras y acercar la automatización inteligente.