转载:本文来自微信公众号“新智元”(ID:AI_era),编辑:PY,转载经授权发布。
【新智元导读】利用人工智能(AI)标记和识别细胞嘅 3D 结构系一个非常有趣嘅研究课题。AI可以从光显微镜图像中预测细胞结构嘅位置,而无需有害嘅荧光标记。
深度学习会成为科学家嘅重要帮手吗?
苏珊娜 · 拉菲尔斯基和佢嘅同事们有一个睇似简单嘅目标:借助深度学习算法,成功地识别出细胞中难以识别嘅各种不同结构。
位于华盛顿州西雅图嘅艾伦细胞科学研究所嘅定量细胞生物学家和副主任Susanne Rafelski 说「我哋希望能够在活体成像中标记细胞嘅多种不同结构」。
「我哋想用3D 技术来拍摄。」
在以往嘅研究度,要实现呢种目标通常依赖于荧光显微镜ーー但呢种方法有好多嘅局限性,一是只有少数几种颜色可以使用,不足以标记所有嘅结构。
另一个问题是,呢啲试剂价格昂贵,费时费力。
此外,呢啲染色剂对活细胞是有害嘅,用来刺激佢们嘅光线也是有害嘅,这意味住成像细胞嘅行为本身就会损害佢们。
同样位于西雅图嘅艾伦脑科学研究所(Allen Institute for Brain Science)嘅显微镜专家福雷斯特•科尔曼(Forrest Collman)表示:「荧光好昂贵,呢个「昂贵」体而家方方面面」。
当科尔曼和他嘅同事试图用三种不同嘅颜色制作3D 延时影像是时,结果好惊悚,「所有嘅细胞都会在你面前狗带」。
据介绍,Rafelski 团队将荧光显微技术和投射白光技术结合起来,从而利用人工智能(AI)在明视野图像上预测荧光标记嘅形状。
2017 年,该团队提出利用深度学习来识别未标记细胞明视野图像中难以发现嘅结构。
通过对无标记细胞嘅深度学习算法,团队制作3D 影像,显示细胞核中嘅 DNA 和子结构,以及细胞膜和线粒体。
快速增长嘅领域
旧金山加利福尼亚大学和旧金山格拉德斯通心血管病研究所嘅神经学家 Steven Finkbeiner 使用机器人显微镜追踪细胞已经长达一年。
到21世纪初,他嘅团队每天累积嘅数据达到兆兆字节。Finkbeiner 建议谷歌研究人员使用深度学习来发现他睇不到嘅细胞特征。
深度学习利用计算机节点以类似于人脑神经元嘅方式进行分层。
首先,呢个神经网络中嘅节点之间嘅连接是随机加权嘅,所以计算机最开始只是猜测。但是通过训练,计算机会调整权重或参数,直到佢开始正确运行。
芬克贝纳嘅研究小组训练佢嘅系统在二维图像中识别神经元,然后挑选出细胞核并确定畀定嘅细胞系咪是活嘅。
芬克贝纳说「主要嘅目嘅系向科学家们展示,图像数据中可能有比佢哋意识到嘅更多嘅信息」。研究小组称这项技术为硅胶标记技术。
但係,呢种方法无办法识别运动神经元,但系能系因为在未标记嘅细胞中没有任何嘢表明佢们嘅特征。
科尔曼说,呢啲预测只有在人工智能能够使用某啲可见线索嘅情况下才会起作用。例如,细胞膜同周围环境有住不同嘅折射率,从而产生对比。
展望未来
荧光预测也在制药行业中占据住主导地位。
在戈森堡嘅阿斯利康公司,药理学家 Alan Sabirsh 主要研究脂肪细胞在疾病和药物代谢中嘅作用。他和 AstraZeneca 同瑞典国家应用人工智能中心合作开展脂肪细胞成像挑战,要求在未标记嘅显微照片中识别细胞核、细胞质和脂滴。
该奖项5000美元嘅奖金授予由 Ankit Gupta 和 h å kan Wieslander 领导嘅团队,佢哋是瑞典乌普萨拉大学嘅两名从事图像处理嘅博士生。
像 Chang 和佢嘅同事一样,研究小组使用氮化镓来识别脂滴。但是为得到原子核,佢哋使用一种不同嘅技术,叫做 LUPI ーー利用特权信息学习,呢种技术畀机器学习嘅额外帮助。
在呢种情况下,研究小组使用更新嘅图像处理技术来识别标准训练图像对中嘅细胞核。
由此得到嘅图像并唔完美: 真正嘅荧光染色提供比模型更真实嘅细胞核和细胞质纹理。
但是,对于 Sabirsh 嚟讲,这已经足够嘎啦。他已经开始在机器人显微镜实验中使用该代码进行分析,目嘅系开发治疗方法。
虽然大规模嘅培训可能需要在有多个图形处理单元嘅超级计算机上花费数周时间。相应嘅,一旦咁样做成功嘎啦,预测模型就可以用笔记本电脑甚至手机运行嘎啦。
对于好多研究人员嚟讲,呢种一次性嘅投资是值得嘅。「如果你可以收集未标记细胞嘅图片,而且你已经有训练有素嘅算法,」芬克贝纳说。「你基本上可以轻松又免费地获得所有呢啲信息。」
参考资料:
cantonese.live 足跡 粵字翻譯
2021-04-12 19:06:42
请登录之后再进行评论