Bayesian MINFLUX localization microscopy

Dit artikel introduceert een rigoureuze Bayesiaanse methode voor MINFLUX-microscopie die, in vergelijking met huidige heuristische benaderingen, de benodigde hoeveelheid fotonen voor een resolutie van 1 nm met ongeveer een factor vier verlaagt.

De kern

De "Slimme Zoektocht": Hoe een Nieuwe Wiskundige Methode de Microscoop van de Toekomst Maakt

Stel je voor dat je in een volledig donkere kamer staat en je moet een heel klein, glinsterend stofje vinden dat ergens op de vloer ligt. Je hebt een speciale zaklamp, maar die is raar: in het midden is het licht helemaal uit (een donut-vorm), en alleen aan de randen schijnt het fel.

Hoe werkt het nu (de oude manier)?
Vroeger deden wetenschappers dit zo: ze stonden op een punt, draaiden hun zaklamp in een vast patroon (bijvoorbeeld een driehoek of een zeshoek) en keken hoeveel licht er terugkaatste. Als er veel licht terugkwam, wisten ze: "Ah, het stofje is niet hier, want hier is het donker." Ze verplaatsten zich dan een beetje en probeerden het opnieuw.

Dit werkte goed, maar het was een beetje als een blinde die op de grond tikt en hoopt dat hij toevallig op het juiste punt tikt. Ze volgden een vast plan, zonder echt na te denken over wat ze al wisten. Het kostte veel tijd en veel licht (fotonen) om het stofje precies te vinden.

De nieuwe "Bayesiaanse" manier (de slimme manier)
In dit nieuwe artikel vertellen Steffen Schultze en Helmut Grubmüller over een veel slimmere manier om te zoeken. In plaats van een vast patroon te volgen, laten ze de computer elke keer beslissen: "Waar moet ik mijn zaklamp nu precies zetten om de meeste informatie te krijgen?"

Hier zijn de belangrijkste ideeën, vertaald in alledaagse termen:

1. De "Gok" die steeds slimmer wordt:
   Stel je voor dat je een gokt. Aan het begin denk je: "Het stofje ligt ergens in deze hele kamer." Dat is je voorafgaande idee (de prior).
   Zodra je een keer met je zaklamp hebt gekeken en ziet hoeveel licht er terugkomt, update je je idee. Je denkt nu: "Oké, het is niet hier, en niet daar. Het zit waarschijnlijk in dat ene hoekje."
   De nieuwe methode gebruikt deze update om de volgende stap perfect te plannen. Ze vragen zich niet af "Wat is de standaardvolgorde?", maar "Waar levert de volgende meting het meeste nieuwe inzicht op?"

2. De Kunst van het "Niet-zo dichtbij komen":
   Een verrassende ontdekking in dit onderzoek is dat je de zaklamp niet direct boven het stofje moet houden om het snel te vinden.

   • Analogie: Stel je voor dat je een bal zoekt in een mistige tuin. Als je de zaklamp direct op de bal richt, zie je misschien alleen een vaag lichtje. Maar als je de rand van je lichtstraal (de donut-rand) net langs de bal laat schijnen, zie je precies hoe de schaduwen vallen. Dat geeft je meer informatie over de precieze locatie dan als je er direct op zou schijnen.
     De nieuwe methode plaatst de "donut" (het donkere punt) precies op de plek waar de rand van het licht het beste contrasteert met wat ze al weten. Pas als ze heel zeker zijn, zetten ze het puntje direct op het doelwit.

3. Besparen op "Licht" en "Tijd":
   Het grootste voordeel is zuinigheid.

   • Licht: Om een locatie met nanometer-nauwkeurigheid te vinden (dat is kleiner dan een virus), heeft de oude methode ongeveer 4 keer meer licht nodig dan deze nieuwe, slimme methode. Dat is alsof je 4 keer minder batterijverbruik hebt voor dezelfde foto.
   • Tijd: Omdat je minder metingen hoeft te doen, gaat het ook 3 keer sneller. Je kunt dus sneller kijken hoe moleculen bewegen.

Waarom is dit belangrijk?
Deze techniek heet MINFLUX. Het wordt gebruikt om te kijken naar de kleinste dingen in de biologie, zoals hoe eiwitten in je cellen werken.

• Vroeger: Je moest heel lang wachten en veel licht gebruiken, wat soms het stofje beschadigde of te traag was om beweging te volgen.
• Nu: Met deze nieuwe wiskundige "kompasnaald" kunnen wetenschappers deeltjes volgen alsof ze een supersnelle, superscherpe video maken, terwijl ze deeltjes nauwelijks aanraken met licht.

Samenvattend:
De auteurs hebben een wiskundig algoritme bedacht dat de microscoop laat "nadenken" in plaats van alleen maar een vast patroon te volgen. Het is als het verschil tussen een hond die blindelings rondloopt en een speurhond die elke keer zijn neus optilt, de wind ruikt en dan precies de juiste kant op rent. Het resultaat? Scherpere beelden, minder licht nodig en snellere ontdekkingen in de wereld van het heel kleine.

Technische samenvatting

Probleemstelling

MINFLUX-microscopie heeft de resolutiegrens van optische fluorescentiemicroscopie naar het nanometerbereik gebracht door fluoroforen te lokaliseren met behulp van een gestructureerd verlichtingsprofiel met een intensiteitsminimum (bijvoorbeeld een donut-vorm). Hoewel deze techniek al zeer efficiënt is in het gebruik van fotonen, berust de huidige implementatie op heuristieken:

1. Suboptimale scanpatronen: De huidige methoden gebruiken vaste patronen (zoals driehoekig of hexagonaal) met een vooraf bepaald diameter, die niet dynamisch worden aangepast op basis van de beschikbare informatie.
2. Verlies van informatie: Niet alle beschikbare informatie uit de eerdere metingen wordt optimaal benut voor het bepalen van de volgende meetpositie.
3. Resultaat: Dit leidt tot een suboptimale prestatie, wat betekent dat er meer fotonen nodig zijn dan strikt noodzakelijk voor een bepaalde resolutie, of dat de tijdresolutie (aantal benodigde blootstellingen) niet maximaal is.

Methodologie: Bayesiaanse Inference

De auteurs stellen een rigoureuze Bayesiaanse scanstrategie voor die het localisatieproces behandelt als een sequentiële inferentieprobleem.

• Bayesiaans Raamwerk:

  • De positie van de emitter $x$ wordt gemodelleerd door een a posteriori verdeling $P_k(x)$, die na elke blootstelling $k$ wordt bijgewerkt volgens de stelling van Bayes.
  • De a priori verdeling $P_0(x)$ wordt verkregen uit een voorafgaande diffraction-gelimiteerde localisatie.
  • Het waargenomen aantal fotonen $n_k$ bij een verlichtingsprofiel $I_k(x)$ wordt gemodelleerd als een Poisson-verdeling.

• Optimalisatie van de Donut-positie:

  • In tegenstelling tot vaste patronen, wordt de positie van het intensiteitsminimum ($r_k$) in elke stap dynamisch gekozen.
  • Het criterium voor deze keuze is het maximaliseren van de Verwachte Informatiewinst (Expected Information Gain - EIG). De EIG is gedefinieerd als de verwachte reductie in entropie van de posterior-verdeling na een nieuwe meting.
  • Om een bias naar posities met hoge fotonenopbrengst te voorkomen (wat meer informatie per meting geeft, maar minder informatie per foton), wordt de intensiteitsfactor $\eta_k$ zo gekozen dat het verwachte aantal fotonen constant blijft op een parameter $\mu$.

• Berekening:

  • De EIG wordt numeriek berekend door te integreren over alle mogelijke uitkomsten van fotonentellingen.
  • De optimale positie $r_k$ is die welke de EIG maximaliseert: $r_k = \arg\max_r EIG(r, P_{k-1})$.

• Semi-heuristische Benadering:

  • Omdat het volledig numeriek optimaliseren van de EIG computatie-intensief is (een bottleneck voor snelle microscopie), stellen de auteurs een "semi-heuristische" strategie voor. Hierbij wordt de afstand tot de huidige schatting gebaseerd op een vooraf berekende optimale afstand $D(\sigma)$ als functie van de standaardafwijking van de posterior. Deze strategie benadert de prestaties van de volledige Bayesiaanse methode zeer nauwkeurig.

Belangrijkste Bijdragen

1. Theoretische Optimalisatie: Het introduceren van een wiskundig optimale scanstrategie voor MINFLUX die gebaseerd is op maximale informatiewinst in plaats van vaste geometrische patronen.
2. Inzicht in Scanstrategie: Het onthullen dat de meest efficiënte positie voor de donut niet altijd direct boven de fluorofore ligt. In de vroege fasen (brede posterior) is het het meest informatief om de helling van het verlichtingsprofiel te laten overlappen met de ondersteuning van de posterior-verdeling. Pas wanneer de posterior smal wordt, wordt het plaatsen van het minimum direct boven de emitter optimaal.
3. Robuustheid: Het tonen aan dat de methode effectief blijft bij verschillende achtergrondniveaus en fotonenbudgetten.

Resultaten

De auteurs hebben 1000 gesimuleerde localisatieruns uitgevoerd om de prestaties te vergelijken met de huidige state-of-the-art (heuristische hexagonale patronen).

• Fotonen-efficiëntie:

  • Voor een resolutie van 1 nm is de Bayesiaanse methode ongeveer 4 keer zo efficiënt als de conventionele methode. Waar de standaardmethode ongeveer 500 fotonen nodig heeft, volstaat de Bayesiaanse methode met ongeveer 120 fotonen (bij een gemiddelde van $\mu=0.1$ fotonen per stap).
  • Dit betekent dat voor een gegeven fotonenbudget de resolutie aanzienlijk kan worden verbeterd.

• Tijdresolutie (Aantal blootstellingen):

  • Als het aantal fotonen niet beperkt is, kan de tijdresolutie (aantal benodigde blootstellingen) met een factor 3 worden verbeterd.

• Achtergrondruis:

  • De methode toont een hoge tolerantie voor achtergrondruis. Bij een 5 keer zo hoog ruisniveau ($b=0.05$) presteert de Bayesiaanse methode even goed als de conventionele methode bij een normaal ruisniveau ($b=0.01$).

• Gedrag van de Scan:

  • Figuur 4 toont dat de optimale afstand van de donut tot het centrum afhangt van de onzekerheid ($\sigma$). Bij grote onzekerheid wordt de donut ver weg geplaatst (op de helling), en bij kleine onzekerheid dichter bij het centrum, maar nooit exact op het centrum door achtergrondinvloeden.

Betekenis en Toekomstperspectief

Deze studie biedt een fundamenteel nieuw inzicht in hoe MINFLUX-microscopie kan worden geoptimaliseerd.

• Praktische Impact: Door het gebruik van minder fotonen kan de fototoxiciteit voor levende cellen worden verminderd, of kan de tracking van snelle moleculaire processen met hogere resolutie worden uitgevoerd.
• Implementatie: Hoewel de volledige Bayesiaanse berekening computatieel zwaar is, is de voorgestelde semi-heuristische versie (gebaseerd op de gevonden optimale afstand) haalbaar voor implementatie op bestaande hardware (zoals FPGA's) en levert bijna dezelfde prestaties.
• Generalisatie: Het raamwerk is niet beperkt tot donut-vormige profielen en kan worden toegepast op andere verlichtingsprofielen (zoals lijn-minima) en kan tegelijkertijd andere parameters (zoals de helderheid van de fluorofore) schatten.

Kortom, dit werk transformeert MINFLUX van een heuristisch proces naar een wiskundig geoptimaliseerd proces, wat leidt tot een aanzienlijke verbetering in zowel resolutie als snelheid.