Все выпуски

Точное определение размеров и морфологии частиц имеет ключевое значение для множества научных и промышленных областей. Микроскопия является мощным инструментом для изучения геометрии частиц, однако традиционный анализ изображений часто оперирует базовыми параметрами, такими как площадь или эквивалентный диаметр круга, что недостаточно для описания несферических или сложных по форме объектов. В данной работе представлена новая методика анализа частиц по микрофотографиям, основанная на сочетании глубокого обучения для сегментации и аппроксимации параметризованными полигонами. Изображения оптической микроскопии были получены для модельных систем различной сложности: монодисперсные сферы полистирола, кубические кристаллы SAPO-34, гексагональные призмы ZSM-5 и их многокомпонентная смесь. Сегментация изображений выполнялась с помощью облачного сервиса DLgram01, обученного на вручную размеченных данных. Для обработки полученных полигонов сегментации была разработана специализированная программа на языке Python. Ключевая идея метода заключается в подборе для контура каждой частицы параметризованного полигона. Оптимальные значения геометрических параметров для каждой частицы определяется путем минимизации функции «несходства», количественно оценивающей расхождение между сегментированным контуром и параметрической формой. Метод был валидирован на простой системе со сферами: полученное распределение по размерам совпало с результатами классического метода проекционного диаметра. Для более сложных кубических частиц SAPO-34 аппроксимация прямоугольниками выявила отклонение от идеальной формы, что дало более полное морфологическое описание, чем использование единственного параметра размера. При анализе смеси частиц разработанный подход успешно классифицировал частицы разных типов и извлек для каждого класса характерные распределения параметров. Полученные для смеси статистические характеристики каждого типа частиц совпали с результатами анализа однокомпонентных систем, что подтверждает надежность и точность методики. Предложенный подход является мощным инструментом для автоматизированного анализа частиц, позволяя извлекать детальные геометрические параметры и строить многомерные распределения по размерам и форме для сложных полидисперсных систем.

Предлагается метод автоматического выявления и диагностики сосудистых заболеваний сетчатки на ранних стадиях развития патологий. Метод опирается на новый биометрический подход, состоящий в использовании коэффициентов-признаков состояния сетчатки (здорового и патологического), вычисленных с использованием системы специальных концентрических окружностей. Новый метод позволяет на новом уровне оценить морфологический состав внутриглазных структур и выявить значимые признаки для диагностики развивающихся патологий.

В работе представлен подход к реконструкции и количественному фенотипированию морфологических признаков растений в раннем онтогенезе на основе анализа цифровых изображений. Разработанный алгоритм сочетает глубокое обучение и графовые представления с учетом биологических закономерностей морфогенеза. Такой синтез позволяет перейти от бинарной сегментации к реконструкции топологически целостной структуры растения с корректным разделением пересекающихся корневых систем на снимках с несколькими растениями. На первом этапе с использованием сверточной нейронной сети архитектуры U-Net формируются бинарные маски семян, ростков и корневых систем. Полученное изображение преобразуется в графовую модель, в которой ребрам соответствуют сегменты корней и побегов, а вершинам — ключевые морфологические точки, включая ветвления и пересечения. Алгоритм направленного обхода от семенной точки с водораздельным разделением графа и композитной оценочной функцией выбора главной оси выделяет индивидуальные растения в виде изолированных подграфов и корректно различает главный корень, боковые корни и росток.

Корректность алгоритма подтверждена многоуровневой валидацией, включающей сравнение результатов графовой реконструкции на сегментированных изображениях, а также сквозную проверку полного вычислительного конвейера на исходных изображениях с результатами существующих программных решений и экспертной ручной разметки. Разработанный подход устойчив к вариативности формы корневых систем и шумам изображений, обеспечивает высокую точность извлечения морфологических признаков. Результаты исследования могут быть использованы в селекционных программах.

Ранние зародыши на стадии бластоцисты, полученные in vitro, имеют низкий имплантационный потенциал. Данная работа посвящена оценке морфологии бластоцист, способных имплантироваться после микроинъекции. Скорость восстановления объема бластоцист после микроинъекции позволяет оценивать активность клеток трофобласта, участвующих в имплантации. Предложена модель для прогнозирования эффективности развития зародышей мышей на стадии бластоцисты in vitro. Показано, что скорость восстановления морфологии бластоцисты является наиболее важной характеристикой имплантационного потенциала зародышей. Максимальная скорость восстановления внутреннего объема (35.7 % от исходного объема в течение 1 ч) коррелирует со способностью бластоцист формировать первичные колонии эмбриональных клеток через 72 ч in vitro, что соответствует процессу имплантации. С помощью ROC-анализа и значения AUC (area under curve) установлено, что комбинация таких признаков как стадия бластоцисты (например средняя или поздняя бластоциста) и скорость восстановления внутреннего объема обладают высокой ценностью для предсказания имплантационного потенциала.

Решение общей проблемы информационного взрыва связано с системами автоматической обработки цифровых данных, включая их распознавание, сортировку, содержательную обработку и представление в виде, приемлемом для восприятия человеком. Естественным решением является создание интеллектуальных систем извлечения знаний из неструктурированной информации. При этом явные успехи в области обработки структурированных данных контрастируют со скромными достижениями в области анализа неструктурированной информации, в частности в задачах обработки текстовых документов. В настоящее время данное направление находится в стадии интенсивных исследований и разработок. Данная работа представляет собой системный обзор международных и отечественных публикаций, посвященных ведущему тренду в области автоматической обработки потоков текстовой информации, а именно интеллектуальному анализу текстов или Text Mining (TM). Рассмотрены основные задачи и понятия TM, его место в области проблемы искусственного интеллекта, а также указаны сложности при обработке текстов на естественном языке (NLP), обусловленные слабой структурированностью и неоднозначностью лингвистической ин- формации. Описаны стадии предварительной обработки текстов, их очистка и селекция признаков, которые, наряду с результатами морфологического, синтаксического и семантического анализа, являются компонентами TM. Процесс интеллектуального анализа текстов представлен как отображение множества текстовых документов в «знания», т.е. в очищенную от избыточности и шума совокупность сведений, необходимых для решения конкретной прикладной задачи. На примере задачи трейдинга продемонстрирована формализация принятия торгового решения, основанная на совокупности аналитических рекомендаций. Типичными примерами TM являются задачи и технологии информационного поиска (IR), суммаризации текста, анализа тональности, классификации и кластеризации документов и т. п. Общим вопросом для всех методов TM является выбор типа словоформ и их производных, используемых для распознавания контента в последовательностях символов NL. На примере IR рассмотрены типовые алгоритмы поиска, основанные на простых словоформах, фразах, шаблонах и концептах, а также более сложные технологии, связанные с дополнением шаблонов синтаксической и семантической информацией. В общем виде дано описание механизмов NLP: морфологический, синтаксический, семантический и прагматический анализ. Приведен сравнительный анализ современных инструментов TM, позволяющий осуществить выбор платформы, исходя из особенности решаемой задачи и практических навыков пользователя.

Многочисленные современные исследования подтверждают, что нейроны, астроциты и кровеносные сосуды функционируют как единая динамическая система. В связи с этим в последние годы возникла и набирает все большую популярность концепция целостной нейроглиоваскулярной единицы (НГВЕ), включающей в себя данные компоненты. Согласно концепции нормальное функционирование мозга связано с широким комплексом взаимодействий между элементами НГВЕ, нарушение связей между которыми может служить причиной возникновения различных нейропатологий. Понимание процессов, протекающих внутри одной НГВЕ, а также организации связей между различными единицами является необходимым условием для успешной диагностики и терапии нейропатологий.

В работе построена модель НГВЕ, которая впервые объединяет детальное описание функционирования сетей синаптически связанных возбуждающих и тормозных нейронов (с учетом баланса возбуждения/торможения), динамику внеклеточной среды (калий, глутамат, ГАМК) и астроцитарную активность, модулируемую норадреналином, с последующей регуляцией локального кровотока.

Ключевой концептуальной особенностью модели является интеграция разномасштабных процессов — от ионной динамики на уровне отдельного нейрона Ходжкина – Хаксли до диффузии веществ в масштабе сети из 100 НГВЕ — в единую систему связанных нелинейных дифференциальных уравнений. Это позволило исследовать коллективную динамику ансамбля и выявить новые режимы его функционирования.

В результате численных экспериментов установлено, что динамика внеклеточного калия и положительная обратная связь играют определяющую роль в формировании устойчивых пространственных структур возбуждения. Показано, что при локальной стимуляции активность ограничена за счет диффузионного оттока калия, в то время как надкритическое возбуждение инициирует самоподдерживающиеся автоволновые режимы, стабилизация которых приводит к формированию пространственных паттернов, морфологически схожих со структурами Тьюринга. Такие структуры, характеризующиеся чередованием зон высокой и низкой активности, не зависят от конкретных начальных условий, но чувствительны к вариациям параметров, что указывает на функционирование системы в режиме динамической неустойчивости (хаоса), согласующемся с концепцией самоорганизованной критичности мозга в физиологической норме. Модель успешно воспроизводит экспериментально наблюдаемые явления, включая бёрстинг и чувствительность к внеклеточному калию. Полученные результаты открывают новые перспективы для анализа патофизиологических механизмов работы мозга.

В нейробиологии исследование механизмов кодирования запахов требует анализа пространственных паттернов активации обонятельных структур (гломерул), реконструируемых по данным мультифотонной микроскопии. Однако отсутствие формального статистического аппарата для анализа обобщенных карт, полученных на группе животных, ограничивает воспроизводимость результатов и затрудняет синтез прогностических моделей. Для преодоления этих ограничений разработана методология анализа карт ольфакторной активности, суммарно зарегистрированных на нескольких животных, основанная на теории немаркированных случайных точечных процессов. Методология включает процедуру предобработки данных и алгоритм численного анализа, реализованный в среде R с использованием пакета spatstat. Предложенный подход позволяет: (1) перейти от исходных карт гломерулярной активности к точечным паттернам с сохранением информации о размерах гломерул; (2) выполнить анализ точечных паттернов и рассчитать пространственно-морфологические характеристики специфичных для каждого одоранта областей (доменов) устойчивой активации гломерул; (3) выполнить статистическую проверку гипотез о пространственной случайности точечных паттернов с использованием $K$-функции Рипли, $G$-функции ближайших соседей и метода Монте-Карло; (4) синтезировать параметрическую модель парных взаимодействий Штрауса, параметры которой $(r_{PI}, \gamma)$ имеют ясную биологическую интерпретацию — масштаб пространственного взаимодействия гломерул и силу комодуляции ответов соответственно.

Валидация методологии выполнена на экспериментальных данных, полученных на 24 лабораторных крысах (10 особей стимулированы камфорой, 14 — метилбензоатом). Подобранные модели Штрауса продемонстрировали близкие, но специфичные для каждого одоранта параметры: радиус взаимодействия $r_{PI}$ составил 150 мкм для камфоры и 120 мкм для метилбензоата, коэффициент взаимодействия $\gamma$ — 0,95 и 0,89 соответственно. Валидация с использованием $Q$-$Q$-графиков сглаженных остатков подтвердила адекватность моделей, а рассчитанные на этапе (2) суммарная площадь доменов (0,60 мм² и 0,73 мм²) и плотность реакций (38 и 43 точки/мм²) полностью согласуются с параметрическими сигнатурами $(r_{PI}, \gamma)$ моделей.

Предложенный подход обеспечивает воспроизводимую количественную оценку гломерулярных доменов в единой стереотаксической системе координат и может быть распространен на другие одоранты и биологические виды. Все выводы получены на наркотизированных животных; экстраполяция на активные обонятельные стратегии бодрствующих животных требует дополнительных исследований.