利用人工智能分析未經(jīng)過熒光標(biāo)記的細(xì)胞

經(jīng)過熒光標(biāo)記的細(xì)胞的顯微照片無疑是漂亮的，但它們需要侵入性的有時是破壞性的或致命性的實(shí)驗(yàn)程序才能讓它們發(fā)出熒光。在一項(xiàng)新的研究中，為了避免這種干擾，來自美國加州大學(xué)舊金山分校和谷歌公司的研究人員開發(fā)出一種計算機(jī)程序，它能夠區(qū)分不同的細(xì)胞類型，并鑒定出亞細(xì)胞結(jié)構(gòu)等特征---所有這一切都不需要我們的眼睛進(jìn)行可視化觀察所依賴的熒光探針。相關(guān)研究結(jié)果于2018年4月12日在線發(fā)表在Cell期刊上，論文標(biāo)題為“In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images”。

美國國家神經(jīng)疾病與卒中研究所項(xiàng)目主任Margaret Sutherland（未參與這項(xiàng)研究）在一項(xiàng)聲明中表示，“這種方法有潛力引發(fā)生物醫(yī)學(xué)研究變革。”

這些研究人員利用一種被稱作深度學(xué)習(xí)（deep learning）的方法，設(shè)計出一種神經(jīng)網(wǎng)絡(luò)，即一種模擬大腦的計算機(jī)程序，它利用數(shù)據(jù)識別圖案、形成規(guī)則，并將這些規(guī)則應(yīng)用到新信息中。

谷歌公司加速科學(xué)項(xiàng)目（Google Accelerated Science）軟件工程師在一份新聞稿中說道，“我們通過向這種神經(jīng)網(wǎng)絡(luò)展示相同細(xì)胞的兩組相匹配的圖片（一組為經(jīng)過熒光標(biāo)記的細(xì)胞圖片，另一組為未經(jīng)過熒光標(biāo)記的細(xì)胞圖片）對它進(jìn)行訓(xùn)練。我們重復(fù)了這個過程數(shù)百萬次。隨后，當(dāng)我們給這種神經(jīng)網(wǎng)絡(luò)提供它之前從沒有觀察到的未經(jīng)過熒光標(biāo)記的細(xì)胞圖片時，它能夠準(zhǔn)確地預(yù)測熒光標(biāo)記所在的位置。”

通過提供高質(zhì)量的細(xì)胞圖片，這種計算機(jī)程序能夠幾乎完美地、正確地鑒定出細(xì)胞內(nèi)的細(xì)胞核。它也能夠區(qū)分死細(xì)胞和活細(xì)胞，并且在包括星形膠質(zhì)細(xì)胞和未成熟的分裂細(xì)胞的細(xì)胞群體中發(fā)現(xiàn)神經(jīng)元，甚至能夠區(qū)分樹突和軸突。

這些研究人員表示，未來的研究將著眼于優(yōu)化這種神經(jīng)網(wǎng)絡(luò)，并改進(jìn)它在某些任務(wù)---比如在高密度的細(xì)胞培養(yǎng)物中挑選出神經(jīng)元亞型和發(fā)現(xiàn)軸突---上不太穩(wěn)健的表現(xiàn)。