• 深度学习:超人看细胞的方式
  • 细菌代谢与交流之间的联系可能为新药铺平道路
  • 小麦研究发现产生可能影响未来农作物的遗传秘密
  • “虚拟安全空间”帮助大黄蜂
  • 在湖底发现的DNA提供了有关入侵物种影响的历史线索
  • 繁殖麻烦:荟萃分析发现圈养种群的鱼类问题
  • 揭示早期发展的奥秘
  • 海洋哺乳动物如何避免弯曲?研究提供了新的假设,强调了声纳在搁浅中的作用
  • 发现人类育种实践可能是现代马缺乏父本DNA多样性的原因
  • 经过13代保护性隔离后发现物种不再惧怕天敌
  • 城市老鼠-国家老鼠实验显示环境与蠕虫感染之间的联系
  • 吸血蝙蝠的免疫力和感染风险对牲畜饲养有反应
  • 研究发现芳香草药可以使八哥种更好地育儿
  • 二氧化碳水平的上升会真正促进植物的生长吗?
  • 深刻影响:深海野生动植物比想像中更容易灭绝
  • 新研究使我们更进一步了解潮汐如何滴答作响
  • 内斗如何使黑猩猩有毒
  • 新发现的细菌可能有助于蜜蜂滋养幼虫
  • 关于病毒如何利用宿主蛋白的优势的新见解
  • 科学家调整CRISPR加快基因组编辑
  • 大型食肉动物栖息地的全球分析
  • 随着我们的身体开始形成,驯服随机的基因变化
  • 标有彩色条形码的基因可提供单个细胞的精确即时快照
  • 发现使科学家可以同时索引数千个细胞,是当前方法的40倍
  • 什么是利基?研究人员说,是时候重新考虑微生物生态学了
  • 微生物组研究表明海洋线虫不是挑食者
  • 活跃的季节和较少的冻融事件导致最微小的北极大使发生重大变化
  • 研究小组发现了一种细菌毒素的作用机理
  • 研究人员发现细菌可以将记忆传递给后代
  • 研究人员发现玉米如何打破遗传规律
  • 体力活动会影响后代的健康吗?
  • 卡特彼勒的“愤怒之路”可能影响移民
  • 基因组测序显示鲸鱼混杂在一起
  • 植物在发芽中“避险”-提高农作物产量的途径
  • 座头鲸怀孕率较高表明它们正在反弹
  • 蝙蝠在秋季交配季节变得安静
  • 南美鬼刀鱼中发现导致电鱼“火花”的基因
  • 猫鼬从榜样而不是父母那里继承行为
  • 分子刹车分子控制转运蛋白,直到轮到它们移动为止
  • 在大角gam三重奏中观察到一夫多妻制
  • 斑马雀的社交经历改变了他们的基因组DNA,改变了学习能力
  • 鲨鱼可以欣赏爵士音乐
  • 一次分析基因组数百个变异
  • 科学家发现基因激活的缺失因素
  • 工程师率先开发出更环保,更便宜的生物燃料生产技术
  • 大肠杆菌重新布线以控制生长,因为专家让他们制造出用于医学的蛋白质
  • 公民科学观鸟数据超过科学标准
  • 新研究证实了野生生物在调节世界植物中的作用
  • 细胞说出时间的三个基本基因
  • 为什么植物对重力如此敏感:低点
  • 深度学习:超人看细胞的方式

     时间:2021-04-08 08:05:11  来源:

    这比您想像的要难得多,即可以查看未经处理的细胞的显微镜图像并确定其特征。为了使人眼可见细胞特征,科学家通常必须使用化学物质,这些化学物质会杀死想要观察的细胞。

    一项突破性的研究表明,无需使用这些侵入性技术,计算机就可以查看图像中的细节。他们可以检查未经处理的细胞,并找到科学家自己无法检测到的大量数据。实际上,图像包含的信息比人们想象的要多得多。

    格拉德斯通研究所(Gladstone Institutes)的董事兼高级研究员史蒂芬(Steven Finkbeiner)博士与Google的计算机科学家合作。他们使用人工智能方法发现,通过培训计算机,他们可以为科学家提供超越常规人类绩效的方法。

    他们使用的方法称为深度学习,这是一种机器学习,其中涉及可以分析数据,识别模式并做出预测的算法。他们的工作发表在著名的科学杂志细胞上,是深度学习在生物学中的首批应用之一。

    这只是冰山一角。

    旧金山格拉德斯通系统与治疗学中心主任芬克贝纳说:“这将是变革性的。”深度学习将通过改变发现,从根本上改变我们未来进行生物医学科学的方式,而且还将通过帮助寻找满足主要未满足医学需求的治疗方法来进行。

    生物学遇上人工智能

    Finkbeiner和他在Gladstone的团队发明了将近10年前的全自动机器人显微镜,该显微镜可以追踪单个细胞数小时,数天甚至数月。由于它每天产生3-5 TB的数据,因此他们还开发了强大的统计和计算方法来分析大量信息。

    鉴于所收集数据的巨大规模和复杂性,Finkbeiner开始探索深度学习,以此作为一种通过提供人类否则无法发现的见识来增强他的研究的方式。然后,他与Google接触。该公司一直是人工智能这一分支的领导者,后者依靠人工神经网络来松散地模仿人脑通过多层互连神经元处理信息的能力。

    Google Accelerated Science工程总监Philip Nelson说:“我们希望将对机器学习的热情用于解决重大问题。”“与Gladstone的合作为我们提供了一个极好的机会,可以利用我们不断扩展的人工智能知识,以切实可行的方式帮助其他领域的科学家。”

    非常合适。Finkbeiner需要高级计算机科学知识。Google需要一个生物医学研究项目,该项目需要生成足够数量的数据才能进行深度学习。

    Finkbeiner最初尝试使用现成的软件解决方案,但收效甚微。这次,谷歌帮助他的团队使用TensorFlow定制了模型,TensorFlow是最初由谷歌AI工程师开发的流行的深度学习开源库。

    训练有素的网络以达到超人的表现

    尽管他们的大部分工作都依赖于显微镜图像,但科学家们长期以来一直在努力检测细胞内的元素,因为生物样品主要由水组成。随着时间的流逝,他们开发了向细胞添加荧光标记以观察人眼通常看不见的特征的方法。但是这些技术有很大的缺点,从费时到杀死正在尝试研究的细胞。

    该研究的第一作者Finkbeiner和Eric Christiansen发现,这些额外的步骤不是必需的。事实证明,图像包含的信息远不止是肉眼所见。

    他们发明了一种新的深度学习方法,称为“计算机标记”,其中计算机可以发现和预测未标记细胞图像中的特征。这种新方法发现了重要的信息,而这些信息对于科学家来说是有问题的或不可能获得的。

    Google Accelerated Science的软件工程师Christiansen解释说:“我们通过向神经网络展示两组相同细胞的匹配图像来训练神经网络;其中一组没有标记,而另一组带有荧光标记。“我们重复了这一过程数百万次。然后,当我们为网络提供从未见过的未标记图像时,它可以准确地预测荧光标记的位置。”

    深度网络可以识别一个单元是存活还是死亡,并在98%的时间内获得正确的答案。它甚至能够从大量活细胞中挑选出一个死细胞。相比之下,人们通常只能以80%的准确度识别死细胞。实际上,当每天有经验的生物学家(每天看一次细胞)两次出现相同细胞的图像时,他们有时会给出不同的答案。

    Finkbeiner和Nelson意识到,经过培训,该网络可以继续提高其性能,并提高其学习执行新任务的能力和速度。因此,他们对其进行了培训,以准确预测细胞核或指挥中心的位置。

    该模型还可以区分不同的细胞类型。例如,网络可以识别培养皿中混合细胞内的神经元。它可以进一步前进,并预测该神经元的延伸是轴突还是树突,这是细胞的两个不同但外观相似的元素。

    尼尔森说:“模型学得越多,学习新的类似任务所需的数据就越少。”“这种转移学习?网络将某些类型的图像上所学到的东西应用到全新的类型上?”一直以来都是AI面临的挑战,我们很高兴能使它工作这里很好。通过将以前的课程应用到新任务中,我们的网络可以继续改进并就比我们在本研究中测量的更多的数据做出准确的预测。

    美国国家神经疾病与中风研究所的项目主管玛格丽特·萨瑟兰德(Margaret Sutherland)博士说:“这种方法有可能彻底改变生物医学研究。”“研究人员现在正在生成大量数据。对于神经科学家而言,这意味着有助于分析信息的训练机可以帮助我们加快对大脑细胞的组合方式以及与药物开发相关的应用的理解。”

    深度学习可以改变生物医学

    从智能手机到自动驾驶汽车,深度学习的某些应用已变得几乎司空见惯。但是对于不熟悉该技术的生物学家来说,在实验室中使用人工智能作为工具可能很难理解。

    “将这项技术带给生物学家是一个重要目标,”芬克贝纳说。芬克贝纳尔同时还是Gladstone的Taube / Koret神经退行性疾病研究中心主任,旧金山加州大学神经病学和生理学教授。“在进行演讲时,我注意到我的同事们在概念上理解了我们正在尝试做的事情后,他们几乎停止了倾听!一旦他们开始想象深度学习如何帮助他们解决无法解决的问题,那就是当它真正令人兴奋时。

    深度学习的潜在生物学应用是无止境的。Finkbeiner在他的实验室中尝试寻找新的方法来诊断和治疗神经退行性疾病,例如阿尔茨海默氏病,帕金森氏病和肌萎缩性侧索硬化症(ALS)。

    Finkbeiner说:“我们仍然不了解90%的患者的确切病因。”“此外,我们甚至不知道所有患者的病因是否相同,或者是否可以将疾病分类为不同类型。深度学习工具可以帮助我们找到这些问题的答案,这对从研究疾病的方式到进行临床试验的方式都具有重大意义。”

    在不了解疾病分类的情况下,如果一种药物实际上可以为不同的患者使用,则该药物可能会针对错误的患者组进行测试并且似乎无效。借助诱导性多能干细胞技术,科学家们可以将患者自身的细胞与他们的临床信息相匹配,并且深层网络可以找到两个数据集之间的关系以预测联系。这可能有助于确定具有相似细胞特征的患者亚组,并将其匹配至适当的治疗方法。

    “随着科学中众多先进技术的发展,我认为我们低估了图像的力量,我们的研究再次证明了显微镜的重要性,”芬克贝纳说。“有趣的是,我们用来训练深度网络的某些图像依赖于我研究生时代的方法。我以为我们已经在这些图像中挖掘了每条有用的数据,并在几年前停止使用它们。我发现,“图像中令人震惊的信息超出了人类所能掌握的范围”。

    借助人工智能,可以从图像获得的特征数量几乎是无限的。人类想象力的限制可能是唯一剩下的因素。

     

    郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如有侵权行为,请第一时间联系我们修改或删除,多谢。

    相关阅读