Cell：利用人工智能分析未经过荧光标记的细胞

本文系生物谷原创编译，欢迎分享，转载须授权！

经过荧光标记的细胞的显微照片无疑是漂亮的，但它们需要侵入性的有时是破坏性的或致命性的实验程序才能让它们发出荧光。在一项新的研究中，为了避免这种干扰，来自美国加州大学旧金山分校和谷歌公司的研究人员开发出一种计算机程序，它能够区分不同的细胞类型，并鉴定出亚细胞结构等特征---所有这一切都不需要我们的眼睛进行可视化观察所依赖的荧光探针。相关研究结果于2018年4月12日在线发表在Cell期刊上，论文标题为“In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images”。

这幅图片展示神经网络程序在“思考”它能够鉴定出哪些细胞结构，图片来自Dr. Finkbeiner/Gladstone Institutes, UCSF。

美国国家神经疾病与卒中研究所项目主任Margaret Sutherland（未参与这项研究）在一项声明中表示，“这种方法有潜力引发生物医学研究变革。”

这些研究人员利用一种被称作深度学习（deep learning）的方法，设计出一种神经网络，即一种模拟大脑的计算机程序，它利用数据识别图案、形成规则，并将这些规则应用到新信息中。

谷歌公司加速科学项目（Google Accelerated Science）软件工程师在一份新闻稿中说道，“我们通过向这种神经网络展示相同细胞的两组相匹配的图片（一组为经过荧光标记的细胞图片，另一组为未经过荧光标记的细胞图片）对它进行训练。我们重复了这个过程数百万次。随后，当我们给这种神经网络提供它之前从没有观察到的未经过荧光标记的细胞图片时，它能够准确地预测荧光标记所在的位置。”

通过提供高质量的细胞图片，这种计算机程序能够几乎完美地、正确地鉴定出细胞内的细胞核。它也能够区分死细胞和活细胞，并且在包括星形胶质细胞和未成熟的分裂细胞的细胞群体中发现神经元，甚至能够区分树突和轴突。

这些研究人员表示，未来的研究将着眼于优化这种神经网络，并改进它在某些任务---比如在高密度的细胞培养物中挑选出神经元亚型和发现轴突---上不太稳健的表现。

原始出处：

Eric M. Christiansen, Samuel J. Yang, D. Michael Ando et al. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell, Published online: 12 April 2018, doi:10.1016/j.cell.2018.03.040

重要会议推荐