Etikettarkiv: HASTE

Uppsalaforskare gör Big Data till Smart Data

Ida-Maria Sintorn, CTO, Vironova, Carolina Wählby, professor och Salman Toor, docent vid Uppsala universitet. Foto: Johan Marklund
Ida-Maria Sintorn, CTO, Vironova, Carolina Wählby, professor och Salman Toor, docent vid Uppsala universitet. Foto: Johan Marklund

– Inom HASTE-projektet utvecklas metoder som snabbt kan sortera bort ointressant information, hitta data som är relevant och analysera den på ett sätt som bidrar till nya insikter. Det är då Big data blir till Smart data på ett hållbart sätt, säger Carolina Wählby, professor vid Uppsala universitet.

Inom, HASTE, (Hierarchal Analysis of Spatial and Temporal Data) arbetar en tvärvetenskaplig forskargrupp med att ta fram metoder för hierarkisk rankning av mikroskopidata med sikte på tillämpningar inom life science. Det övergripande målet är att effektivisera analysen av bilddata. Forskningen sker i samarbete med bland annat Vironova där ett forskningsspår är inriktat mot automatiserad mikroskopibildsanalys av biologiska prover.
I Vironovas fall handlar det främst om analys av nanopartiklar som ingår i läkemedel. Ett aktuellt exempel är mRNA-vaccin, en typ av vaccin som använts flitigt under coronapandemin.
– För Vironovas del handlar projektet om att effektivisera bildtagning och analys av läkemedel, vilket är en tjänst som företaget tillhandahåller läkemedelsföretag för att i sin tur optimera kvalitet och tillverkning av läkemedel. För att analysera läkemedlen använder Vironova elektronmikroskop. Här genereras stora mängder bilddata, men det är bara en ganska liten del som är av intresse för analysen. Genom att exkludera irrelevant data tidigt i processen kan man spara både tid och beräkningsresurser, säger Ida-Maria Sintorn, CTO, Vironova.

Prototyp
Projektet har under de gångna åren kommit en bra bit på väg. Docent Salman Toor har tillsammans med sina forskarkollegor vid Uppsala universitet utvecklat en sofistikerad beräkningshierarki som i samband med bildtagning gör en snabb analys som fastställer om bilden är relevant och om den ska sparas eller inte.
– Vi har testat delar av vår prototyp i Vironovas verksamhet och kommit fram till ett proof-of-concept. Vårt verktyg gör det möjligt att i förväg se var man bör fokusera analysen, vilket kraftigt minskar tidsåtgången, effektiviserar resursanvändningen och minimerar koldioxidavtrycket, förklarar Saalman Toor.
En viktig fråga är förstås vad i den stora datamängden som anses vara relevant data.
– Därför handlar en annan del av HASTE-projektet om att utveckla AI-metoder. Genom att kombinera dem med beräkningseffektiva mått som beskriver sannolikheten för att en del av en bild eller tidssekvens innehåller vetenskapligt relevant information kan vi omvandla Big Data till Smart Data, fastslår Carolina Wählby.

Klicka här för att läsa mer om HASTE

Uppsala universitet – Big data

I samarbete med Vironova och AstraZeneca närmar sig HASTE-projektet insamling, analys och tolkning av mikroskopibilddata på ett hierarkiskt sätt. Här används AI och deep learning för att utveckla effektiva beräkningsmetoder som kan ranka lågupplöst data enligt intelligenta spatiala och temporala informationshierarkier, med syftet att fokusera analysresurser efter relevans. Projektet stöds av SSF 2018–2023.

E-post: carolina.wahlby@it.uu.se

www.uu.se

Hierarkisk analys av bilddata inom life science

Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi och SciLifeLab vid Uppsala universitet. Foto: Dan Pettersson / DP-Bild
Carolina Wählby, professor inom kvantitativ mikroskopi på institutionen för informationsteknologi och SciLifeLab vid Uppsala universitet. Foto: Dan Pettersson / DP-Bild
Via tvärdisciplinära samarbeten håller projektet HASTE på att utveckla metoder för att hierarkiskt ranka mikroskopidata för life science-tillämpning. Målet är att effektivisera analysen av bilddata, för att snabbare kunna hitta relevant information och driva forskningen framåt.

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.

Uppsala universitet – HASTE
I samarbete med Vironova och AstraZeneca närmar sig HASTE-projektet insamling, analys och tolkning av mikroskopibilddata på ett hierarkiskt sätt. Här används AI och deep learning för att utveckla effektiva beräkningsmetoder för att ranka lågupplöst data enligt intelligenta spatiala och temporala informationshierarkier, med syftet att fokusera analysresurser efter relevans.

Tel: 018-471 3473
E-post: carolina.wahlby@it.uu.se