比你想象的看一個未經(jīng)處理的細(xì)胞的顯微鏡圖像并識別其特征。使細(xì)胞特征對肉眼可見,科學(xué)家通常必須使用化學(xué)物質(zhì)可以殺死細(xì)胞,他們想看看。

一項突破性的研究表明,電腦可以看到細(xì)節(jié)圖像不使用這些侵入性技術(shù)。他們可以檢查細(xì)胞沒有治療,發(fā)現(xiàn)了大量的數(shù)據(jù),科學(xué)家們不能自行檢測。事實上,圖像包含更多的信息比曾經(jīng)認(rèn)為不可能的。

史蒂文·芬克貝涅醫(yī)學(xué)博士,董事和高級研究員斯頓研究院,與谷歌的計算機(jī)科學(xué)家。利用人工智能的方法,他們發(fā)現(xiàn)通過培訓(xùn)電腦,他們可以給科學(xué)家超過普通人類表現(xiàn)的一種方式。

他們使用被稱為方法深度學(xué)習(xí),涉及一種機(jī)器學(xué)習(xí)算法,可以分析數(shù)據(jù),識別模式,作出預(yù)測。他們的工作發(fā)表在著名科學(xué)期刊《細(xì)胞,是第一批深度學(xué)習(xí)在生物學(xué)中的應(yīng)用。

這只是冰山的一角。

說:“這將是革命性的,芬克貝涅世衛(wèi)組織系統(tǒng)和治療中心的主任格拉德斯通在舊金山。“深度學(xué)習(xí)將從根本上改變我們的行為方式在未來生物醫(yī)學(xué)科學(xué),不僅通過加速發(fā)現(xiàn),而且還通過幫助找到治療方法解決重大的未滿足的醫(yī)療需求。”

生物學(xué)與人工智能

Finkbeiner和他的團(tuán)隊在格拉德斯通發(fā)明,近10年前,一個完全自動化的機(jī)器人顯微鏡可以跟蹤單個細(xì)胞幾個小時,幾天,甚至幾個月。每天為它生成3 - 5 tb的數(shù)據(jù),他們還開發(fā)出強(qiáng)大的統(tǒng)計和計算方法來分析大量的信息。

鑒于收集的數(shù)據(jù)的規(guī)模和復(fù)雜性,Finkbeiner開始探索深度學(xué)習(xí)來提高他的研究通過提供見解,否則人類無法發(fā)現(xiàn)。然后,他走近了谷歌。公司領(lǐng)導(dǎo)在這個人工智能的分支,依靠人工神經(jīng)網(wǎng)絡(luò)松散模仿人類大腦處理信息的能力通過多層相互連接的神經(jīng)元。

“我們想使用我們的激情機(jī)器學(xué)習(xí)解決大問題,”菲利普·尼爾森說,谷歌加速科學(xué)的工程總監(jiān)。“與格萊斯頓合作對我們來說是一個極好的機(jī)會擴(kuò)展知識的人工智能應(yīng)用于幫助科學(xué)家在其他領(lǐng)域,可以造福社會有形的方式。”

這是一個完美的健康。Finkbeiner需要先???的計算機(jī)科學(xué)知識。谷歌需要生物醫(yī)學(xué)研究項目,生成足夠數(shù)量的數(shù)據(jù)適合深度學(xué)習(xí)。

Finkbeiner最初嘗試使用現(xiàn)成的軟件解決方案有限的成功。這次,谷歌幫助他的團(tuán)隊與TensorFlow定制一個模型,一個流行的開源庫深度學(xué)習(xí)最初由谷歌開發(fā)的人工智能工程師。

網(wǎng)絡(luò)訓(xùn)練達(dá)到超人的性能

雖然他們的工作依賴于顯微鏡圖像,科學(xué)家一直在努力發(fā)現(xiàn)元素在細(xì)胞因為生物樣品大部分是由水組成的。隨著時間的推移,他們開發(fā)的方法添加熒光標(biāo)簽細(xì)胞為了看到特性通常人眼看不到。但這些技術(shù)有明顯的缺點,從耗費時間他們試圖殺死細(xì)胞研究。

Finkbeiner和埃里克•克里斯琴森,這項研究的第一作者,發(fā)現(xiàn)這些額外步驟不是必要的。事實證明,比滿足eye-literally圖像包含更多的信息。

他們發(fā)明了一種新的學(xué)習(xí)方法稱為“硅標(biāo)簽”,計算機(jī)可以發(fā)現(xiàn)和預(yù)測功能的圖像標(biāo)記細(xì)胞。這種新方法揭示了重要的信息,否則有問題或科學(xué)家無法獲得。

“我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)通過展示這兩組匹配的圖像相同的細(xì)胞;一個標(biāo)記,一個熒光標(biāo)簽,”克里斯琴森解釋說,在谷歌軟件工程師加速科學(xué)。“我們重復(fù)這一過程數(shù)百萬次。然后,當(dāng)我們提出網(wǎng)絡(luò)它從未見過的標(biāo)記圖像,它可以準(zhǔn)確地預(yù)測熒光標(biāo)簽屬于這。”

深層網(wǎng)絡(luò)可以識別細(xì)胞是否活著還是死了,和98%的時間得到正確的答案。它甚至能夠挑選一個死細(xì)胞大量的活細(xì)胞。相比之下,人們通常只能確定一個死細(xì)胞的準(zhǔn)確率為80%。事實上,當(dāng)經(jīng)歷了生物學(xué)家觀察細(xì)胞每,事實證明,兩次面對同一單元的形象,他們有時會給不同的答案。

Finkbeiner和尼爾森意識到訓(xùn)練后,網(wǎng)絡(luò)可以繼續(xù)改善其性能和增加的能力和速度,它學(xué)會執(zhí)行新任務(wù)。所以,他們訓(xùn)練準(zhǔn)確預(yù)測細(xì)胞核的位置,或指揮中心。

模型還可以區(qū)分不同的細(xì)胞類型。例如,網(wǎng)絡(luò)可以識別一個神經(jīng)元內(nèi)的細(xì)胞。它可以更進(jìn)一步,預(yù)測是否延長神經(jīng)元軸突和樹突,兩個不同的但是長相相似元素的細(xì)胞。

“模型已經(jīng)學(xué)會越多,越少的數(shù)據(jù)需要學(xué)習(xí)一種新的類似的任務(wù),”尼爾森說。“這種轉(zhuǎn)移學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用的學(xué)習(xí)在某些類型的圖像在AI全新的類型是一個長期的挑戰(zhàn),我們興奮地已經(jīng)在這里工作很好。通過以前的經(jīng)驗應(yīng)用到新的任務(wù),我們的網(wǎng)絡(luò)可以繼續(xù)改善和作出準(zhǔn)確的預(yù)測數(shù)據(jù)甚至比我們測量在這項研究。”

“這種方法有可能徹底改變生物醫(yī)學(xué)研究,”瑪格麗特·薩瑟蘭說,博士項目負(fù)責(zé)人在國家神經(jīng)疾病和中風(fēng)研究所,是這項研究的部分資金支持。“研究人員現(xiàn)在產(chǎn)生的大量的數(shù)據(jù)。神經(jīng)科學(xué)家,這意味著訓(xùn)練機(jī)器來幫助分析這些信息有助于加快我們理解大腦的細(xì)胞是如何組合在一起的藥物開發(fā)和應(yīng)用相關(guān)。”

深度學(xué)習(xí)可以改變生物醫(yī)學(xué)科學(xué)

特定應(yīng)用的深度學(xué)習(xí)幾乎已成家常便飯,從智能手機(jī)到自動駕駛汽車。但對于生物學(xué)家,誰不熟悉的技術(shù),人工智能的使用作為一種工具在實驗室很難理解。

“把這技術(shù),生物學(xué)家是如此重要的一個目標(biāo),”芬克貝涅說他也是導(dǎo)演Taube /作者的神經(jīng)退行性疾病研究中心格拉德斯通和加州大學(xué)舊金山分校的神經(jīng)學(xué)和生理學(xué)教授。“給談判的時候,我注意到,當(dāng)我的同事明白我們要做在概念層面上,他們幾乎停止聽!一旦他們可以開始想象深度學(xué)習(xí)可以幫助他們解決無法回答的問題,當(dāng)它變得非常激動人心的時刻。”

潛在的生物應(yīng)用的深度學(xué)習(xí)是無止境的。有請在他的實驗室里,Finkbeiner試圖找到新的方法來診斷和治療神經(jīng)退行性疾病,如阿爾茨海默病、帕金森病、肌萎縮性脊髓側(cè)索硬化癥(ALS)。

“我們?nèi)匀徊焕斫膺@種疾病的確切原因這些患者的90%,“有請說Finkbeiner。“更重要的是,我們甚至不知道所有的病人有相同的原因,或者我們可以分類成不同類型的疾病。深度學(xué)習(xí)的工具可以幫助我們找到這些問題的答案,有巨大的影響,從我們?nèi)绾窝芯考膊〉姆绞竭M(jìn)行臨床試驗。”

不知道疾病的分類,藥物可以測試錯了組患者,似乎無效,可以對不同的病人。誘導(dǎo)多功能干細(xì)胞技術(shù),科學(xué)家可以匹配病人自己的細(xì)胞臨床信息,和深層網(wǎng)絡(luò)能找到這兩個數(shù)據(jù)集之間的關(guān)系來預(yù)測連接。這可能有助于確定一個亞組患者相似的細(xì)胞特性和匹配他們適當(dāng)?shù)闹委煛?/p>

”這么多先進(jìn)的技術(shù)科學(xué)的發(fā)展,我認(rèn)為我們低估了圖像的力量,和我們重申顯微鏡的相關(guān)性研究,“有請說Finkbeiner。“有趣的是,一些圖片我們用來訓(xùn)練深層網(wǎng)絡(luò)依賴方法追溯到我作為一個研究生的日子。我以為我們已經(jīng)開采有用數(shù)據(jù)的每一塊圖像和年前停止使用它們。我發(fā)現(xiàn)令人震驚的圖片比人類可以掌握更多的信息。”幫助下人工智能的特性,可以獲得圖片幾乎是無限的。人類的想象力的限制可能是唯一的因素。