北卡羅來納大學教堂山分校的科學家創造了一種基于機器學習的粒子跟蹤新方法，該方法比目前使用的技術更精確，并提供更好的自動化。

單粒子跟蹤涉及跟蹤流體和生物樣本中的單個粒子(例如病毒，細胞和載藥納米粒子)的運動。該技術廣泛用于物理和生命科學。UNC-Chapel Hill的團隊開發了新的跟蹤方法，使用粒子跟蹤開發治療和預防傳染病的新方法。他們研究了抗體和生物聚合物之間的分子相互作用，并描述和設計了納米級藥物載體。他們的工作發表在“ 科學院院刊”上。

“為了從視頻中獲取意義，你必須將視頻轉換為定量數據，”UNL Eshelman藥學院副教授，新跟蹤器的創造者之一Sam Lai博士說。“使用當前的軟件，研究人員必須仔細監督視頻轉換以確保準確性。這通常需要數周到數月，并且極大地限制了吞吐量和準確性。

“我們厭倦了瓶頸。”

問題的根源可以追溯到當前軟件用于識別任何視頻中存在的全部粒子的少量參數，例如粒度，亮度和形狀。事情被錯過了，因為它們不太適合參數，參數因不同的操作員設置而異，Alison Schaefer博士。萊實驗室的學生說。這對數據再現性帶來了巨大的挑戰，因為分析同一視頻的兩個用戶經常獲得不同的結果。

“自動駕駛汽車的工作原理是因為他們可以實時看到和跟蹤周圍的許多不同物體，”北卡羅來納大學數學與應用物理科學系的Grant Dahlstrom杰出教授M. Gregory Forest博士說。該項目的共同高級作者。

“我們想知道我們是否可以創建一種可以同時跟蹤數千個納米級粒子并自動完成的人工智能版本。”

事實證明，他們可以并利用他們的發現推出基于Chapel Hill的人工智能跟蹤解決方案，該公司正在尋求將新技術商業化。該公司已獲得國立衛生研究院頒發的小企業技術轉讓獎，以使該技術商業化。

賴和他在UNC數學系的合作者設計了一個人工神經網絡來解決他們的問題。神經網絡松散地基于人類的大腦，但通過喂養大量的例子來學習。例如，如果神經網絡需要識別狗的照片，則會顯示許多狗的照片。它不需要知道狗的樣子; 它將從照片的共同元素中找出答案。示例越好，神經網絡就越好。

UNC團隊首先從一組真實的計算機生成數據中教授神經網絡跟蹤器。然后，他們使用Lai實驗室過去的實驗中的高質量數據進一步改進了跟蹤器。結果是一個新的跟蹤器，具有數千個經過良好調整的參數，可以完全自動處理各種各樣的視頻，比目前使用的系統至少精確10倍，具有高度可擴展性，并具有完美的可重復性，Lai說。該團隊在“科學院院刊”上記錄了他們的成就。

該研究的第一作者，助理教授Jay Newby博士說，新系統已準備就緒，可以支持越來越多的功能強大的顯微鏡，可以在一天內收集數TB的高分辨率2D和3D視頻。在阿爾伯塔大學。

“跟蹤納米級粒子的運動對于了解病原體如何破壞粘膜屏障以及設計新的藥物療法至關重要，”Newby說。“我們的進步首先提供了大大改善的自動化。此外，與目前的方法和用戶和實驗室的再現性相比，我們的方法大大提高了準確性。”