癌症治疗新曙光：AI助力科学家更好地观察人类活体细胞

作者：DavidZh、潜心学习

细胞生物学家和细胞学研究者现在有了新的细胞模型工具可以用了。

在微软联合创始人保罗·艾伦的资助下创立的艾伦细胞科学研究所（Allen Institute for Cell Science）最近公布了一项研究成果，利用卷积神经网络（CNN）等 AI 算法学习现有的 2D 及 3D 细胞影像资料，训练出了两套能够精准展示和预测细胞各部分形状、位置及工作状态的算法模型，一个叫确定性模型（deterministic model），一个叫概率模型（probabilistic model）。

前者主要用来研究人体诱导多能干细胞（hiPSC）各部分的形状和组织机理；后者则可以用来分析那些尚未深入研究过的人体细胞。

由于训练方式基本相同，这两个模型工具被合称为 Allen Integrated Cell，并用同一套工具来渲染和展示 3D 细胞模型。

从训练过程来说，艾伦细胞科学研究所的研究人员在输入数据之前，将 hiPSC 的细胞集样本增加到了 24 个，目标定为 21 个关键结构和子结构。这其中包括 Paxillin、Sec61 beta、TOM20 等蛋白质。

细胞中的 14 种可染色蛋白质，会通过荧光标记法逐一染上不同颜色，然后放在显微镜下观察细胞各个组成部分的形状、分布和工作模式，并形成数据库。

接下来，研究人员将这些 3D 图像数据输入到两个不同的深度学习模型中进行训练和推理。

其中，确定性模型在学习了荧光标记法中的颜色信息和活动规律数据后，不需要进行标记也能精准输出 3D 的细胞活动模式，并根据类型为细胞各部分区分频道。

负责细胞活动建模工作的医学博士 Molly Maleckar 表示，荧光标记法对细胞来说是有毒性的，而且大规模采用成本很高。

这意味着，研究者可以利用 AI 来模拟细胞的真实结构和工作模式，从而降低实验成本。

而概率模型在完成训练和推理过程后，能够输出一个 3D 的细胞工作模型，动态显示不同条件下细胞各组成部分的分布和动态。理论上，这个模型可以用于研究那些组织机理尚不清晰的细胞，也有助于拓展人体细胞的形态学边界。

Allen Integrated Cell 输出的 3D 细胞模型

针对这两个模型的实用价值，艾伦细胞科学研究所也公布了不同蛋白质的模型预测置信度。

Allen Integrated Cell 置信度

从图上看，细胞核、核被膜等蛋白质的可信度比较高。换句话说，AI 模拟出的细胞活动与观测数据误差很小。

这不仅有助于科学家研究正常的人体细胞，还能在观察和分析衰老或病变细胞（比如癌细胞）时提供数据参考。Greg Johnson 表示：如果能更好地理解健康细胞的内部工作原理，就可以知晓它在出现哪些问题的时候，才会变成癌细胞。我们可以追溯癌细胞的过往，观察它所发生的变化，然后尽早地发现它们。

另外，经济发展水平不高的国家和地区，只要具备相关人才也能通过这套 AI 模型系统缩小与发达地区的医学水平差距。

目前，Allen Integrated Cell 作为在线工具，其核心代码文件已经发布在 Github 上。

不过，这需要一个同时精通细胞生物学、神经与脑科学、计算机科学的团队合作挖掘 AI 的潜在价值。

来源：人工智能头条