Hierarkisk analys av bilddata inom life science

Digitala kameror som samlar in information om världen runt omkring oss blir allt vanligare. I livsvetenskaperna är storskalig, automatiserad bildinsamling med mikroskopi ett oumbärligt verktyg både i biologisk och medicinsk grundforskning och i läkemedelsutveckling, men datamängderna blir snabbt så stora att varken beräknings- eller lagringsresurser är tillräckliga för att fullt utnyttja informationen. Projektet HASTE (Hierarchal Analysis of Spatial and Temporal Data) utvecklar därför statistiska metoder för att ranka materialet och på så vis prioritera beräknings- och lagringsresurser för den del av datan som har störst sannolikhet att innehålla relevant information.
– Vi fokuserar på mikroskopidata och life science-tillämpningar i samarbete med Astra Zeneca och Vironova, säger Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi vid Uppsala universitet.

Förutser var fokus bör ligga
Målet är att sortera datan hierarkiskt, så att beräkningsresurser och lagring tillägnas den del av datan som är relevant för syftet.
– Eftersom allt fler instrument genererar allt mer data behöver vi nya metoder för att inte helt drunkna i datamängderna. Våra verktyg gör det möjligt att redan i förväg se var man bör fokusera analysen, vilket kraftigt minskar tidsåtgång och effektiviserar resursanvändning. Därmed kan vi snabbare driva forskningen framåt och nå nya milstolpar inom många olika områden.

AI och deep learning
I början av 2017 tilldelades HASTE ett femårigt anslag från SSF, vilket lade grunden för ett tvärdisciplinärt samarbete mellan Carolinas forskargrupp och Andreas Helander och Ola Spjuth, som forskar om cloud computing och data streaming respektive avancerade statistiska metoder. Samarbetet har redan blivit väldigt fruktsamt.
– Kombinationen av kompetenser är oerhört viktig för att lösa dessa frågor. Vi siktar bland annat på att använda oss av AI och deep learning som ett steg i beslutsfattandet, två områden med enorm potential. Framöver kommer vi att behöva vara smartare med såväl insamling som lagring och påbörja klassificeringen av data så tidigt som möjligt i flödet; då gäller det att ligga steget före, avslutar Carolina.