和免疫荧光标记说拜拜 | 谷歌Cell论文：深度学习模型预测荧光位置

Root 发自 凹非寺 量子位 出品 | 公众号 QbitAI

在生物医学的研究里，显微镜可以帮助科学家们观察定位细胞水平或分子水平的物质。

常用的相差显微镜观察法，是从生物组织的一侧给光，对细胞损伤小，且材料准备过程非常简单。

可如果想要知道细胞核确切的位置，或者分析神经元树突的数量或要看细胞是死是活，此前的办法是必须要结合免疫荧光标记法，然后用荧光显微镜观察。

△ 如果不用荧光标记，就能看懂小图1-4分别代表啥的话，算你厉害

△ 蓝色，细胞核；红色，轴突；绿色，树突

△ 1，神经元聚团；2，突触；3，轴突；

4，只剩两神经元活着，左下那个挂了（对比上个小图4看）

但做过免疫荧光标记的同学都知道。拿到一张好的荧光照片，一路上有多么不容易。

实验材料养大养好拿去切片这些体力上的苦就不说了。

上一抗二抗还有封闭，每一步都是坑。即使十万分小心走完了前面所有的步骤，到最后上荧光显微镜的时候还得面临光漂白的囧况。

这还只是固定的片子。荧光标记还有个不可忽视的缺陷，染料有毒。活体细胞上了荧光之后活不了多久，所以那些时间跨度很长的生理实验就别想了。

怎么样清晰定位目标物，同时还能绕开免疫荧光标记的缺点呢？

鱼和熊掌可以兼得

今天，谷歌科学加速团队(Google Accelerated Science team)在Cell上发表了一篇In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images论文。样本无需荧光染色，用深度学习模型就可预测出目标物的位置。

不仅省去了免疫荧光繁琐的过程，还不用担心背景噪音、不同荧光染料串色的问题。刚切完脑片（或培养好的其他组织细胞），就可以直接放相差显微镜上拍片了，剩下的交给算法模型就好。

模型训练及工作原理

和所有模型一样，这个预测荧光标记的模型需要获得靠谱的训练集。

因此，谷歌科学加速团队联合了哈佛Rubin实验室以及格拉德斯通研究所(Gladstone Institutes)，收集了三种细胞（多功能干细胞诱导的人类运动神经元、人类乳腺癌细胞、大鼠大脑皮层组织培养细胞）在三种光学显微镜（明场、相差、微分干涉相差）下的图像数据。

下图顶行的细胞三维信息，重构自二维图像数据的叠影。不同的level表示不同的荧光标记物，马赛克的位置表明该实验样品没有进行此类荧光标记。

经过此数据集（图1A）的训练，模型（图1C）就可以直接把没有荧光标记的相差显微图像（图1 D）处理成带荧光标记的图像了，预测出特定结构或蛋白的位置。

这个预测标记算法还具备迁移学习能力，只要少量的训练数据，马上可以获得新型荧光标记的预测能力。深受免疫荧光标记之苦的胖友，可以前往GitHub获取该模型的代码和全部数据集。

这下细胞分子生物学出结果发paper的效率要飞起来了。

最后，附论文地址： http://www.cell.com/cell/fulltext/S0092-8674(18)30364-730364-7

及荧光标记预测模型代码： https://github.com/google/in-silico-labeling

你可能感兴趣

FDA批准首个无需人类医生指导的AI，可独立诊断眼科疾病

可预测死亡的AI，这套系统能有效拯救生命

谷歌与Verily发布新研究，可通过视网膜图像用AI检测心脏病

用深度学习检测冠心病：不依赖血管造影且成本下降25%