科学家利用深度学习跟踪细胞内蛋白质变化情况

据加拿大多伦多大学报道，该校唐纳利中心（Donnelly Centre）的研究人员开发出一种深度学习算法，可以跟踪细胞内蛋白质变化情况，有助于揭示什么让细胞保持健康、疾病中什么出了问题。

“通过观察细胞图像我们可以学到很多：在正常情况下蛋白质形态如何？当细胞发生基因突变或者将细胞暴露于药物或其他化学药剂中时，细胞内的蛋白质形态会有所变化吗？人们曾尝试用所掌握的数据去手动评价这些问题，但是那耗费的时间很长。”研究人员表示。

该算法被称为DeepLoc，可以识别细胞内的蛋白质模式，比肉眼或以前的计算机视觉方法要更好、更快。在《分子系统生物学》（Molecular Systems Biology）最新一期的封面故事中，研究团队也描述了DeepLoc处理来自其他实验室的图像的能力，说明这种算法具有扩大用途的潜力。

从无人驾驶汽车到可以诊断癌症的计算机，人工智能正在用难以预测的方式塑造着世界，但对细胞生物学家来说，这种变革还不够快。由于新型全自动显微镜的使用，科学家收集大量数据的速度比他们分析这些数据更快。“现在，采集细胞图像只需几天到几周的时间，但分析这些图像就要再用几个月到几年的时间。深度学习将最终把这一分析的时间跨度降到与实验所需的时间跨度相同。”研究人员说。

在其他类型的人工智能中，计算机学会了识别数据模式，与之相似，DeepLoc也能通过训练识别出由细胞内发光蛋白质形成的不同形状。但不同于需要详细指令的计算机视觉，DeepLoc直接从图像像素数据中学习，使其更准确、更快速。

研究人员用该团队之前发布的数据训练DeepLoc。这一数据显示细胞内的一个区域由4000多个酵母蛋白质占据，占了酵母中蛋白质总数的四分之三。这个数据集仍然是显示了细胞内绝大多数蛋白质的确切位置的最完整图像。它在2015年首次发布时，利用综合的计算机视觉和机器学习流程对其进行数据分析，花费数月时间才能完成。而DeepLoc处理这些数据就是几个小时的事情。

DeepLoc能发现相似图像之间的细微差别。最初的分析确定了15个不同类别的蛋白质，分别代表细胞内各不同分区；DeepLoc共确定了22个类别。它还能对由于激素治疗而形状改变的细胞进行分类，这是一项之前的流程无法完成的任务。

研究人员能使用与原始训练集不同的图像迅速对DeepLoc进行重新训练，这表明该算法可以用来处理从其他实验室获得的数据。他们希望在这个用肉眼观察图像仍是常规做法的领域，其他专家能采用他们的方法。

“有一定编程经验的人可以使用我们的方法。他们需要做的就是输入我们提供的图像训练集，再用他们自己的数据进行补充。只需要一个小时或更少的时间就能完成对DeepLoc进行重新训练，然后就开始你的分析。”研究人员说。

除了与研究圈分享DeepLoc，研究人员正努力通过初创公司“Phenomic AI”将这个方法商业化。“在基于图像的药物筛选中，你可以根据细胞形态而不是一些简化的参数，如存活细胞、死亡细胞、细胞大小，来真正弄清楚药物是怎样影响不同细胞的。通过这种方法你可以从筛选中获得更多关于细胞状态的信息。我们希望通过发现化学物质的更细微影响，提高早期药物发现过程的准确度。”研究人员表示。