唐納利中心的研究人員已經(jīng)開(kāi)發(fā)出一種深度學(xué)習(xí)算法，可以跟蹤蛋白質(zhì)，幫助揭示什么使細(xì)胞健康和疾病出了什么問(wèn)題。“通過(guò)觀察細(xì)胞圖像，我們可以學(xué)到很多東西：蛋白質(zhì)在正常條件下看起來(lái)如何，在攜帶基因突變的細(xì)胞中或者我們將細(xì)胞暴露于藥物或其他化學(xué)試劑時(shí)看起來(lái)有什么不同?人們?cè)噲D手動(dòng)評(píng)估這是怎么回事與他們的數(shù)據(jù)，但是這需要花費(fèi)大量的時(shí)間，”本杰明Grys，一說(shuō)研究生在分子遺傳學(xué)和該研究的合著者。

該算法被稱為DeepLo??c，可以比人眼或之前基于計(jì)算機(jī)視覺(jué)的方法更好，更快地識(shí)別蛋白質(zhì)產(chǎn)生的細(xì)胞模式。在最新一期“ 分子系統(tǒng)生物學(xué)”的封面故事中，由Donnelly中心和分子遺傳學(xué)系的Brenda Andrews教授和Charles Boone領(lǐng)導(dǎo)的團(tuán)隊(duì)也描述了DeepLo??c處理來(lái)自其他實(shí)驗(yàn)室的圖像的能力，說(shuō)明了其廣泛使用的潛力。

從自動(dòng)駕駛汽車到可以診斷癌癥的計(jì)算機(jī)，人工智能(AI)正在以難以預(yù)測(cè)的方式塑造世界，但對(duì)于細(xì)胞生物學(xué)家來(lái)說(shuō)，這種變化不可能很快到來(lái)。得益于全新的全自動(dòng)顯微鏡，科學(xué)家們可以比分析數(shù)據(jù)更快地收集大量數(shù)據(jù)。

“現(xiàn)在，只需幾天到幾周的時(shí)間就可以獲得細(xì)胞圖像，需要幾個(gè)月到幾年的時(shí)間來(lái)分析它們。深度學(xué)習(xí)最終會(huì)使這種分析的時(shí)間尺度降低到與實(shí)驗(yàn)相同的時(shí)間尺度，”領(lǐng)導(dǎo)公司的Oren Kraus說(shuō)道。 - 該論文的作者和研究生共同監(jiān)督由唐納利中心和電氣和計(jì)算機(jī)工程系的安德魯斯和Brendan Frey教授。Andrews，Boone和Frey也是加拿大高級(jí)研究院的高級(jí)研究員。

與其他類型的AI類似，其中計(jì)算機(jī)學(xué)會(huì)識(shí)別數(shù)據(jù)中的模式，DeepLo??c經(jīng)過(guò)培訓(xùn)，可識(shí)別由發(fā)光蛋白標(biāo)記的熒光標(biāo)簽制成的各種形狀，使其在細(xì)胞中可見(jiàn)。但與需要詳細(xì)說(shuō)明的計(jì)算機(jī)視覺(jué)不同，DeepLo??c直接從圖像像素?cái)?shù)據(jù)中學(xué)習(xí)，使其更加準(zhǔn)確和快速。

Grys和Kraus對(duì)團(tuán)隊(duì)以前發(fā)布的數(shù)據(jù)進(jìn)行了DeepLo??c培訓(xùn)，該數(shù)據(jù)顯示細(xì)胞中有超過(guò)4,000種酵母蛋白占據(jù)的區(qū)域 - 酵母中所有蛋白質(zhì)的四分之三。該數(shù)據(jù)集仍然是最完整的地圖，顯示了任何細(xì)胞中絕大多數(shù)蛋白質(zhì)的確切位置。當(dāng)它于2015年首次發(fā)布時(shí)，分析是通過(guò)復(fù)雜的計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)管道完成的，需要數(shù)月才能完成。DeepLo??c在幾個(gè)小時(shí)內(nèi)處理了數(shù)據(jù)。

DeepLo??c能夠發(fā)現(xiàn)類似圖像之間的細(xì)微差別。初步分析確定了15種不同類別的蛋白質(zhì)，每種蛋白質(zhì)代表細(xì)胞中不同的鄰域; DeepLo??c確定了22個(gè)班級(jí)。它還能夠?qū)τ捎诩に刂委煻螤畎l(fā)生變化的細(xì)胞進(jìn)行分類，這是以前的管道無(wú)法完成的任務(wù)。

Grys和Kraus能夠使用與原始訓(xùn)練集不同的圖像快速重新訓(xùn)練DeepLo??c，表明它可以用于處理來(lái)自其他實(shí)驗(yàn)室的數(shù)據(jù)。他們希望通過(guò)眼睛看圖像仍然是常態(tài)的領(lǐng)域中的其他人將采用他們的方法。“有一些編碼經(jīng)驗(yàn)的人可以實(shí)現(xiàn)我們的方法。他們所要做的只是提供我們提供的圖像訓(xùn)練集，并用他們自己的數(shù)據(jù)補(bǔ)充。重新訓(xùn)練DeepLo??c只需一個(gè)小時(shí)或更短時(shí)間然后開(kāi)始你的分析，“格里斯說(shuō)。

除了與研究社區(qū)共享DeepLo??c之外，Kraus還與Jimmy Ba合作，通過(guò)一個(gè)新的初創(chuàng)公司Phenomic AI將該方法商業(yè)化。Ba是AI先驅(qū)Geoffrey Hinton的研究生，他是退休的U教授和新成立的Vector Institute的首席科學(xué)顧問(wèn)。他們的目標(biāo)是為制藥公司分析基于細(xì)胞圖像的數(shù)據(jù)。

“在基于圖像的藥物篩選中，您實(shí)際上可以根據(jù)它們的外觀來(lái)確定藥物如何影響不同的細(xì)胞而不是一些簡(jiǎn)化的參數(shù)，例如活/死或細(xì)胞大小。這樣您就可以提取更多關(guān)于細(xì)胞的信息我們希望通過(guò)發(fā)現(xiàn)化學(xué)化合物的更微妙的影響，使早期的藥物發(fā)現(xiàn)過(guò)程更加準(zhǔn)確，“Kraus說(shuō)。