Procesamiento automático de Origami de ADN usando técnicas de inteligencia artificial

Abstract

En el presente proyecto se desarrollarán distintos modelos de Machine Learning basados en algoritmos de detección de objetos. El objetivo será, dada una imagen que contenga moléculas de ADN transformadas (“ADN Origami”), lograr detectar las posiciones dentro de éstas. Para dar solución al problema es necesaria la creación de una red neuronal convolucional. Su funcionalidad será ser capaz de aprender por sí misma. Para ello, es necesario obtener unos datos de entrada, (las imágenes), junto con sus respectivos resultados, (las posiciones de los triángulos). Una red neuronal aplica diferentes técnicas a los datos para transformarlas en la solución esperada. En el proceso de entrenamiento se comparan las soluciones obtenidas con las reales. Así, se modificarán las distintas transformaciones hasta minimizar la diferencia entre ambas. En primer lugar, se desarrollará una red neuronal de clasificación. Un modelo capaz de detectar si en una imagen existe o no un objeto definido. Sin embargo, esta red no detecta la posición en la que se encuentra. A través de una ventana deslizante que recorra la imagen, se propondrán posibles posiciones dentro de la figura, las cuales se procesarán por el modelo Otra técnica desarrollada es el reentrenamiento de un modelo ya creado, Faster R-CNN. Para adaptarlo al problema será necesaria la modificación de ciertos parámetros de la configuración del modelo. Los resultados del modelo de Faster R-CNN son las coordenadas de las cajas delimitadoras con posibles moléculas de ADN (en forma de triángulo), en su interior, junto con las probabilidades de que realmente lo sean. Otra manera de dar solución al problema es utilizar las regiones dadas por el modelo reentrenado y utilizar el clasificador implementado en el primer apartado. Una vez comparados los resultados obtenidos se ha comprobado como con el reentrenamiento de Faster R-CNN se obtiene la mejor solución.

In this project, different models of Machine Learning based on object detection algorithms will be developed. The objective will be, given an image containing transformed DNA molecules ("Origami DNA"), to be able to detect the positions inside them To solve the problem, it is necessary to create a convolutional neural network. Its functionality will be to be able to learn by itself. To do this, it is necessary to obtain some input data, (the images), along with their respective results, (the positions of the triangles). A neural network applies different techniques to the data to transform them into the expected solution. In the training process, the solutions obtained are compared with the real ones. Thus, the different transformations will be modified until the difference between both is minimized First, a neural network of classification will be developed. A model capable of detecting whether or not a defined object exists in an image. However, this network does not detect the position in which it is located. Through a sliding window that runs through the image, possible positions within the figure will be proposed, which will be processed by the model. Another technique developed is the retraining of an already created model, Faster R-CNN. To adapt it to the problem it will be necessary to modify certain parameters of the model configuration.

he results of the retrained model are the coordinates of the bounding boxes with possible DNA molecules (in the form of a triangle), inside them, together with the probabilities that they really are. Another way to solve the problem is to use the regions given by the retrained model and use the classifier implemented in the first section. Once the results obtained have been compared, it has been proven that with the Faster R-CNN retraining the best solution is obtained