Josh Darrington es bueno para observar los rápidos. Dibujó un río de aire que fluye rápido a diferentes altitudes atmosféricas y colocó las tablas una al lado de la otra. Darrington, un físico atmosférico de la Universidad de Oxford en el Reino Unido, dijo: "Serás bueno observando todas estas secciones y calculando lo que significa". Sin embargo, este enfoque "manual" es más lento y "menos interactivo" que la visualización computarizada.
Por lo tanto, cuando se trata de visualizar eventos de obstrucción atmosférica, es decir, masas de aire de alta presión estacionarias que desvían los rápidos y conducen a eventos climáticos extremos, Darrington probó otro enfoque. Usando el visor de imágenes napari, utilizó la animación 3D para crear corrientes que fluyen a través del hemisferio norte, generalmente, pero no siempre, sincronizadas entre sí. "Una tarde, pasé mucho tiempo estudiando cosas juntos y tuve una breve impresión visual de los rápidos atlánticos de bajo y alto nivel". Él envió Twitter en agosto.
Napari es un visor de imágenes gratuito, de código abierto y escalable que puede ver cualquier información compleja ("n-dimensional ") estrechamente relacionada con el lenguaje de programación Python (ver napari.org). Es la idea de Loike Roye, un científico del microscopio en el Centro Biológico Chen Zuckerberg en San Francisco, California; Juan Nunes-Iglesias, desarrolló análisis de imágenes en la Universidad de Monash en Melbourne, Australia; Y Nicholas Sovernev, director del equipo de tecnología de imágenes de la Iniciativa Chen Zuckerberg (CZI) en Redwood City, California.
El equipo creó el software en 2018 para llenar el vacío en el ecosistema científico de Python. Aunque Python es un lenguaje común para la informática científica, no tiene una herramienta de visualización que pueda manejar conjuntos de datos n-dimensionales. Por lo tanto, el análisis de datos a menudo requiere tediosas operaciones de ida y vuelta entre Python y otras herramientas, como ImageJ, un paquete de análisis de imágenes basado en Java, porque los investigadores manipulan sus datos alternativamente y los visualizan para ver qué sucede.
Ten computer codes that transformed science
napari — the name refers to a Pacific island village midway between the developers’ bases in San Francisco and Melbourne — features a simple graphical interface with a built-in Python console in which images can be rendered, rotated and manipulated in 2D or 3D, with additional dimensions, such as the succession of temporal ‘slices’ in a time series, accessible using sliders beneath the image window. En todo caso, puede usar la unidad de procesamiento de gráficos para acelerar el software. Roye explicó: "Nos aseguramos de que realmente aprovechemos al máximo las capacidades de las computadoras". (Los usuarios de ImageJ también pueden usar PyimageJ para trabajar en Python; Ver pypi.org/project/pyimagej.
Capas como Adobe Photoshop permiten a los usuarios cubrir puntos, vectores, trayectorias, superficies, polígonos, anotaciones u otras imágenes. Por ejemplo, los investigadores pueden abrir una imagen de tejido en napari, hacer clic con el mouse para reconocer el núcleo, recuperar los puntos en Python y usarlos para "sembrar" un algoritmo de segmentación celular que identifica los límites celulares. Luego, el resultado se envía a napari como una nueva capa en la imagen original, y pueden evaluar el efecto del proceso de segmentación.
Xavier Cassas Moreno, un físico aplicado del Real Instituto de Tecnología de Estocolmo, incorporó napari en un sistema de control de instrumentos llamado ImSwitch que construyó para controlar su microscopio de resolución de laboratorio. Con capas, los investigadores pueden superponer imágenes tomadas por múltiples cámaras y sensores desde diferentes ángulos. "Este es un desafío que no podemos resolver antes", dijo Moreno. ImSwitch tiene un panel de control de napari personalizado o un "widget" incorporado que permite a los usuarios moverse con respecto a otra imagen para alinearlos.
Los usuarios también pueden usar el complemento para extender napari: Napari hub (ver napari-hub.org) ofrece más de 100 tipos. Estos incluyen archivos de lectura y escritura, control de microscopios y complementos de segmentación celular. Carsen Stringer, un neurocientífico computacional en el Centro de Investigación Janelia en el Instituto Médico Howard Hughes, cerca de Ashburn, Virginia, creó un complemento de segmentación de células llamado CellPose que permite el uso de algoritmos de aprendizaje en profundidad de Python a través de una interfaz gráfica simple. Stringer y sus colegas usaron la postura celular para medir la expresión génica y las células de señalización de calcio en el tejido nervioso.
Robert Haas, que desarrolla análisis de imágenes biológicas en la Universidad Politécnica de Dresde en Alemania, ha construido varios complementos para Napari. Estos incluyen uno de sus asistentes py-clEsperanto, diseñado para acelerar el procesamiento de imágenes y eliminar las barreras del lenguaje de programación entre diferentes sistemas de visualización de imágenes, así como un juego llamado natari, que es un proyecto de colaboración entre napari y Atari (videojuego) a través de los usuarios.
NatureTech hub
Nunez-Iglesias has even written a plug-in that allows users to control napari through a music instrument digital interface (MIDI) board, which typically would be used to tailor digital audio output. En una demostración de video, Nunez-Iglesias combina el controlador MIDI con el iPad de Apple, divide manualmente la celda dibujando una imagen en una tableta con un lápiz de manzana y mueve la escala desde el controlador MIDI a otra capa. "Prefiero los controladores de hardware y los comentarios físicos a las interfaces de usuario virtuales", explica.
En la versión 0.4.12, napari todavía está en desarrollo y cuenta con el respaldo del programa de imágenes científicas CZI, que alberga el centro de napari y proporciona varios miembros del personal para el proyecto, así como el código de muchos desarrolladores en la comunidad científica. CZI también designó $1 millón de los EE. UU. Para respaldar el programa de subvención de acelerador de plug-in napari: 41 premios fueron anunciados el mes pasado.
Los principales objetivos de desarrollo incluyen mejorar la instalación, la documentación, las interfaces de complemento y el procesamiento de grandes conjuntos de datos 3D. Nunez-Iglesias dijo que algunos experimentos, como los estudios de neuroconectividad, producen conjuntos de datos tan grandes que el software se arrastra lentamente. Dijo que el esquema de "carga perezosa" que carga los datos a pedido debería aliviar este cuello de botella.
Nunez-Iglesias estima que la base de usuarios de Napari es "mil". Crece rápidamente, incluso en no microscopios. Por ejemplo, los usuarios han demostrado aplicaciones geofísicas y de biología estructural. DeepLabCut es una herramienta popular para capturar gestos de movimiento de animales y anuncia planes para reemplazar a su visor con Napari.
Hung-Yu, un biólogo de sistemas que trabajaba en la Escuela de Medicina de Harvard en Boston, Massachusetts, en un Twitter en 2020, resumió la emoción que estaba generando el proyecto.“@napari_imaging is awesome,” he wrote: “I felt like [I was] using the first iPhone”.
