SiMaLeSAM

Simulations-basiertes Maschinelles Lernen für Superauflösungs-Mikroskopie

Motivation

Erzeugung von synthetischen Daten für Künstliche Intelligenz

Das Bundesministerium für Bildung und Forschung (BMBF) beabsichtigt mit der Richtlinie zur Förderung von Projekten zum Thema „Erzeugung von synthetischen Daten für Künstliche Intelligenz“ interdisziplinäre und anwendungsorientierte Forschungs- und Entwicklungsvorhaben zu fördern. Das Ziel der Förderrichtlinie ist es, neue Methoden zur Erzeugung synthetischer Daten für die Erstellung und Validierung von KI-Modellen zu entwickeln bzw. schon vorhandene Methoden zu verbessern oder auch gegebene personenbezogene Datenbestände zu anonymisieren. Durch die Maßnahme soll die Spitzenposition Deutschlands im Bereich KI gesichert und weiter ausgebaut werden. Die Förderung von Verbundprojekten soll hierbei den Transfer zwischen Wissenschaft und Wirtschaft zum Vorteil beider Parteien verstärken. Simulations-basiertes Maschinelles Lernen für Mikroskopie-Anwendungen Superauflösungs-Mikroskopie Verfahren machen es möglich, biologische Strukturen mit sehr hoher Auflösung abzubilden, und eröffnen so zahlreiche innovative Anwendungen in der biologischen und medizinischen Forschung. Superauflösungs-Mikroskopie benötigt Algorithmen, um aus Messungen einzelner Moleküle ein Bild der zugrunde liegenden biologischen Struktur zu errechnen. Sowohl die Auflösung der Bilder als auch die möglichen erzielbaren Messgeschwindigkeiten hängen in hohem Maße von den verwendeten Rekonstruktions-Algorithmen ab.

Ziele und Vorgehen

In diesem Projekt werden Algorithmen entwickelt und zur Verfügung gestellt, die Maschinelles Lernen (ML) verwenden, um die Leistungsfähigkeit und Nutzbarkeit dieser Ansätze erheblich zu erweitern. Zunächst werden numerische Simulationen entwickelt, die den Bildgebungsprozess genau modellieren. Anschließend werden diese simulierten Mikroskopie-Daten benutzt, um künstlichen neuronalen Netze den Zusammenhang zwischen den Messungen und den zugrundeliegenden biologischen Strukturen beizubringen. Sobald sie diesen gelernt haben, können sie zur Rekonstruktionsaufgaben auf echten Mikroskopie-Messungen eingesetzt werden. Für die Validierung der Algorithmen werden experimentelle und simulierte Daten und Kenngrößen zur Verfügung gestellt. Die entwickelten Software- und Cloudwerkzeuge sollen Anwendern in Wissenschaft und Industrie ermöglichen, die Methoden ohne Implementierungshürden anzuwenden.

Innovationen und Perspektiven

Der Fokus des Projektes liegt auf der superauflösenden Fluoreszenzmikroskopie, aber die ML Methoden zur Optimierung und Anpassung von Simulationen sind flexibel auf eine Vielzahl von Bildgebungsverfahren und Rekonstruktionsproblemen anwendbar. Um die Ergebnisse schneller verbreiten und sie möglichst vielen Nutzern zur Verfügung stellen zu können, werden öffentlich zugängliche, cloud-basierte Versionen der Werkzeuge entwickelt. Die Kompetenzen der Projektpartner in ML und in Computational Microscopy zu kombinieren, ermöglicht den schnellen Wissenstransfer zwischen Methodenentwicklung, Implementierung praktischer Werkzeuge und wissenschaftlicher Erkenntnis.

Projektinformation

Projektleitung

Eberhard Karls Universität Tübingen
Maria-von-Linden-Str. 6
72076 Tübingen

Volumen

818.343,00 €

Laufzeit

09/2021 – 08/2023

Projektpartnerinnen und -partner

  • Eberhard Karls Universität Tübingen - Projektleitung; Implementierung von ML-Verfahren zur Optimierung von Simulationen für Rekonstruktionsprobleme; Implementierung von Software- und Cloud Werkzeugen
  • Europäisches Laboratorium für Molekularbiologie - Entwicklung physikalischer Simulationsmodelle; Experimentelle und numerische Validierung, Implementierung von Software- und Cloud-Werkzeugen