Etiketsiz otonom atomik kuvvet mikroskobu için sentetik veri destekli derin öğrenme

İnsan Gözü Olmadan Çok Küçük Dünyayı Görmek

Yeni malzemeler tasarlama, temiz enerji cihazlarını inceleme veya canlı hücreleri araştırma yeteneğimiz genellikle insan saçından binlerce kat daha küçük yapıları görmeye bağlıdır. Atomik kuvvet mikroskopları (AFM’ler) bu küçük manzaraları 3B olarak haritalayabilir, ancak bugün hâlâ nereye bakılacağını ve görüntülerin nasıl yorumlanacağını seçmek zorunda olan uzman operatörlere büyük ölçüde bağlıdır. Bu makale, SimuScan adını verdikleri bir yöntemi tanıtıyor: bilgisayarları AFM çalıştırmayı ve nanoskaladaki özellikleri tanımayı, zahmetli şekilde etiketlenmiş deneysel veriler yerine gerçekçi simüle edilmiş görüntülerle öğretme yolu.

Bugünün Nanoskalalı Görüntülemede Neden Tıkanma Oluyor

AFM’ler nanometre hassasiyetle yüzeyleri “hissettikleri” için malzeme bilimi, enerji araştırması ve biyolojide merkezi araçlar haline geldi. Yine de yavaştırlar, aynı anda yalnızca küçük alanları kapsarlar ve nerede tarama yapılacağı, hangi ayarların kullanılacağı ve hangi küçük şekillerin önemli olduğu gibi birçok kararı yetkin bir kullanıcıdan beklerler. Geniş tarama görüntüleri yakalayabilen optik veya elektron mikroskoplarının aksine, AFM’ler yüzeyleri satır satır oluşturur. Üstelik modern yapay zeka yöntemleri gündelik fotoğraflar için mevcut olan devasa etiketli görüntü koleksiyonlarıyla iyi çalışırken, AFM için böyle veri setleri pratikte yoktur. Her AFM görüntüsü cihazın ince tuhaflıklarından—gürültü, bozulmalar ve probların şekli—etkilenir; bu yüzden sıradan fotoğraflar üzerinde eğitilmiş genel amaçlı bilgisayarlı görü araçları doğrudan uygulandıklarında genellikle başarısız olur.

Hayalî Görüntülerle Bir Mikroskobu Eğitmek

Yazarların temel fikri, gerçek şey gibi görünen ve davranan, tüm olağan kusurları içeren geniş sentetik AFM görüntü kütüphaneleri üretmektir. SimuScan çerçevesi önce bir numunedeki olası şekilleri tanımlayarak başlar: basit bloklar ve çubuklar, narin DNA montajları veya tüm bakteriyel hücreler. Bu şekiller matematiksel tanımlardan, bilgisayar destekli tasarım dosyalarından veya birkaç gerçek AFM görüntüsünden çıkarılan 3B yüzeylerden gelebilir. SimuScan sonra bu nesneleri basamaklar, pürüzlülük, periyodik desenler ve rastgele döküntü içerebilen simüle edilmiş alt tabakalara yerleştirerek gerçekçi, ön-bozulmalı manzaralar oluşturur. Son olarak bu yüzeyleri, sonlu bir prob ucu etkisi, geri besleme aksaklıkları, satır satır düzeltmeler ve elektronik gürültü gibi etkileri ekleyen ayrıntılı bir mikroskop ileri modelinden geçirir. Ortaya çıkan görüntü, bir AFM’nin ölçümleyeceği şeyi yakından taklit eder ve her nesnenin sınırlarının tam bir “zemin gerçeği” haritasıyla eşleştirilir.

Simüle Pikselerden Güvenilir YZ’ye

Her sentetik görüntü her özellik ve piksel için kusursuz etiketlerle geldiğinden, SimuScan günümüz derin öğrenme modellerini nanoskalalı görüntülemede normalde eksik olan zengin eğitim materyaliyle besleyebilir. Ekip, hızlı nesne algılama için YOLOv8, ayrıntılı konturlar için U-Net ve örnek düzeyinde maskeler için Mask R-CNN gibi birkaç popüler mimariyi her görev için 5.000’den fazla sentetik görüntü kullanarak test etti. Dikkat çekici biçimde, yalnızca bu yapay veri kümeleriyle eğitilmiş modeller, uzmanlar tarafından titizlikle açıklanmış üretimli nanoyapılar ve bakterilerin gerçek AFM görüntülerinde değerlendirildiğinde güçlü performans sergiledi. Farklı şekiller ve hücre tipleri arasında tespit skorları ve segmentasyon doğruluğu yüksekti; bu da simüle edilmiş görüntülerin bu küçük yapıların ve ortak görüntüleme artefaktlarının temel görünümünü yakaladığını gösterdi.

Mikroskobun Nereye Baktığına Kendini Karar Vermesi

Araştırmacılar daha sonra simülasyon, YZ ve fiziksel cihaz arasındaki döngüyü kapattı. Yarı otonom iş akışlarında AFM önce nispeten geniş bir alanda düşük çözünürlüklü bir genel tarama yapar. SimuScan verileriyle eğitilmiş bir model bu görüntüyü gerçek zamanlı olarak analiz eder, belirli bakteriyel şekiller veya özel nanoyapı desenleri gibi ilgi çekici yapıları bulur ve yakınlaştırılmış, yüksek çözünürlüklü taramalar için umut vadeden bölgeleri seçer. Mikroskop otomatik olarak hareket eder, yeniden tarar ve örnek boyunca kullanıcı tarafından tanımlanmış nesne sayısı veya kapsanacak toplam alan gibi basit kurallarla yönlendirilen bu döngüyü tekrarlar. Bu yaklaşımla sistem, tek başına yüzlerce bakteriyi özerk biçimde bulup görüntüleyebildi ve daha sonra bir popülasyon içindeki boyut ve şekil farklılıklarını ölçebildi; bu tür bir işi elle yapmak zaman açısından pratik olmayan bir uğraş olurdu.

Daha Akıllı Mikroskoplara Yeni Bir Yol

Bir uzman olmayan için ana çıkarım, SimuScan’in “hayalî ama gerçekçi” verilerin mikroskopların sürücüsüz enstrümanlara benzemesine nasıl yardımcı olabileceğini göstermesidir. Yüzeydeki küçük nesneleri ve AFM’nin onları nasıl gördüğüne dair tuhaflıkları simüle ederek, yazarlar büyük, elle etiketlenmiş eğitim setlerine olan ihtiyacı ortadan kaldırır ve genel amaçlı YZ modellerinin gerçek deneylerde iyi çalışmasına olanak tanır. Bu, AFM çalışmalarının daha geniş alanları keşfetmesini, çok daha fazla nesneyi analiz etmesini ve davranışını anında uyarlamasını sağlayarak nanoskalalı karakterizasyonu daha hızlı, daha tekrarlanabilir ve uzman olmayanlara erişilebilir kılar. Uzun vadede benzer sentetik veri stratejileri, keşif odaklı otonom çalışmayı birçok diğer bilimsel cihaz türüne de taşıyabilir.

Atıf: Millan-Solsona, R., Checa, M., Brown, S.R. et al. Synthetic data-driven deep learning for label-free autonomous atomic force microscopy. Nat Commun 17, 3886 (2026). https://doi.org/10.1038/s41467-026-70421-3

Anahtar kelimeler: atomik kuvvet mikroskopisi, sentetik veri, derin öğrenme, otonom mikroskopi, nanoyapı görüntüleme