[[390952]]

利用人工智能（AI）標(biāo)記和識(shí)別細(xì)胞的 3D 結(jié)構(gòu)是一個(gè)非常有趣的研究課題，需要用到生物學(xué)中的熒光顯微鏡技術(shù)和深度學(xué)習(xí)等 AI 技術(shù)。艾倫細(xì)胞科學(xué)研究所（Allen Institute for Cell Science）專(zhuān)注于相關(guān)領(lǐng)域的研究，并取得了一些成果。

[[390953]]

細(xì)胞的 3D 動(dòng)態(tài)影像。

Susanne Rafelski 是該研究所的定量細(xì)胞生物學(xué)家和副主任，她和她的同事希望為細(xì)胞中各種不同的結(jié)構(gòu)打上相應(yīng)的標(biāo)簽，并做成 3D 動(dòng)態(tài)影像。不過(guò)，這個(gè)愿望實(shí)現(xiàn)起來(lái)并不容易。

[[390954]]

Susanne Rafelski。

熒光顯微技術(shù)（fluorescence microscopy）雖然很常用，但在這里遇到了麻煩。首先，可供使用的顏色很少，無(wú)法完整地標(biāo)記細(xì)胞結(jié)構(gòu)；其次，試劑成本很高且使用起來(lái)麻煩；最后，染色劑以及成像過(guò)程對(duì)活細(xì)胞有害。

在這種情況下，投射白光（明視野顯微鏡技術(shù)）就派上了用場(chǎng)，利用該技術(shù)的細(xì)胞成像不依賴(lài)標(biāo)記，也就不會(huì)遇到熒光顯微技術(shù)帶來(lái)的一些問(wèn)題。

據(jù)介紹，Rafelski 團(tuán)隊(duì)將熒光顯微技術(shù)和投射白光技術(shù)結(jié)合了起來(lái)，從而利用人工智能（AI）在明視野圖像上預(yù)測(cè)熒光標(biāo)記的形狀。該團(tuán)隊(duì)的研究已經(jīng)持續(xù)了數(shù)年。

深度學(xué)習(xí)發(fā)揮重要作用

在識(shí)別細(xì)胞結(jié)構(gòu)的過(guò)程中，深度學(xué)習(xí)發(fā)揮了重要作用。2017 年，該團(tuán)隊(duì)提出利用深度學(xué)習(xí)來(lái)識(shí)別未標(biāo)記細(xì)胞明視野圖像中難以發(fā)現(xiàn)的結(jié)構(gòu)，并證實(shí)了這種方法的可行性。

具體而言，通過(guò)在未標(biāo)記細(xì)胞實(shí)驗(yàn)中使用一種深度學(xué)習(xí)算法，團(tuán)隊(duì)創(chuàng)建了一個(gè)展示細(xì)胞核中 DNA 和子結(jié)構(gòu)、細(xì)胞膜和線(xiàn)粒體的 3D 影像。

基于不同細(xì)胞類(lèi)型的透射光顯微鏡（明視野）圖像輸入的 3D 熒光圖像預(yù)測(cè)。圖源：https://www.nature.com/articles/s41592-018-0111-2#Sec19

分別使用全 3D 和 2D 模型時(shí)，基于透射光（明視野）圖像的 3D DNA 預(yù)測(cè)。圖源：https://www.nature.com/articles/s41592-018-0111-2

這種直接從透射圖像中預(yù)測(cè) 3D 熒光的無(wú)標(biāo)記方法可以用于生成多結(jié)構(gòu)、組合式圖像，也能根據(jù)電子顯微（EM）輸入來(lái)預(yù)測(cè)免疫熒光（IF），從而擴(kuò)展了潛在的應(yīng)用范圍。

更多研究細(xì)節(jié)可以參考論文《Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy》。

論文鏈接：https://www.biorxiv.org/content/10.1101/289504v4

AI 識(shí)別細(xì)胞的發(fā)展歷程

在過(guò)去的幾年里，從事人工智能研究的科學(xué)家們?cè)O(shè)計(jì)了幾個(gè)系統(tǒng)來(lái)識(shí)別這些模式。使用來(lái)自相同細(xì)胞的成對(duì)圖像訓(xùn)練模型、圖像分為一個(gè)明視野和一個(gè)熒光標(biāo)記。但這些模型在細(xì)節(jié)上有所不同：有些用于 2D 圖像、有些用于 3D 圖像、有些是用于近似細(xì)胞結(jié)構(gòu)，而另一些則是用來(lái)制作可能被誤認(rèn)為是真實(shí)顯微照片的圖像。

來(lái)自加州大學(xué)舊金山分校和舊金山格萊斯頓研究所的神經(jīng)科學(xué)家 Steven Finkbeiner 使用機(jī)器人顯微鏡跟蹤細(xì)胞長(zhǎng)達(dá)一年。在研究中 Finkbeiner 發(fā)現(xiàn)，使用深度學(xué)習(xí)可以發(fā)現(xiàn)看不見(jiàn)的細(xì)胞特征。

[[390955]]

Finkbeiner 團(tuán)隊(duì)用訓(xùn)練系統(tǒng)來(lái)識(shí)別 2D 圖像中的神經(jīng)元，然后挑出細(xì)胞核，確定給定的細(xì)胞是否活著。他表示說(shuō)，自己研究的主要目的是向科學(xué)家表明，圖像數(shù)據(jù)中的信息可能比人類(lèi)意識(shí)到的還要多。該小組稱(chēng)其技術(shù)為「in silico labeling（ISL）」。ISL 能直接從未標(biāo)記的固定樣本或活體樣本的透射光影像中預(yù)測(cè)多種熒光標(biāo)記。

圖源：https://ai.googleblog.com/2018/04/seeing-more-with-in-silico-labeling-of.html

然而，這種方法無(wú)法識(shí)別運(yùn)動(dòng)神經(jīng)元。這些預(yù)測(cè)只有在 AI 能夠使用一些可見(jiàn)線(xiàn)索的情況下才會(huì)起作用。

Collman、Johnson 以及在艾倫研究所的同事使用了一種不同的神經(jīng)網(wǎng)絡(luò)來(lái)解決 Rafelski 的問(wèn)題，建立了一個(gè)叫做 U-Net 的系統(tǒng)，這個(gè)系統(tǒng)為生物圖像而開(kāi)發(fā)。與 Finkbeiner 的方法不同，Allen 模型可處理 3D 顯微照片，研究人員可以常規(guī)使用該技術(shù)，例如，在染色質(zhì)組織研究中識(shí)別核標(biāo)記。

透射光顯微鏡三維熒光圖像的無(wú)標(biāo)記預(yù)測(cè)。圖源：https://github.com/AllenCellModeling/pytorch_fnet/tree/release_1

來(lái)自伊利諾伊大學(xué)厄巴納－尚佩恩分校的物理學(xué)家 Gabriel Popescu 正在利用深度學(xué)習(xí)來(lái)回答一個(gè)最基本的顯微鏡問(wèn)題：細(xì)胞是活的還是死的？這是比較難的，因?yàn)闇y(cè)試需要有毒的化學(xué)物質(zhì)。并表示說(shuō)：這就像用刀測(cè)量病人的脈搏。

[[390956]]

Gabriel Popescu。

Popescu 和同事將他們的方法稱(chēng)為 PICS：具有計(jì)算特異性的相位成像。Popescu 在活細(xì)胞中使用該技術(shù)來(lái)識(shí)別細(xì)胞核和細(xì)胞質(zhì)，然后計(jì)算它們?cè)跀?shù)天內(nèi)的質(zhì)量。并表明，這些信號(hào)準(zhǔn)確地表明了細(xì)胞的生長(zhǎng)和生存能力。

PICS 包含了基于 U-Net 軟件和顯微鏡硬件技術(shù)，因此，PICS 不是先獲取圖像并訓(xùn)練機(jī)器，之后在進(jìn)行進(jìn)一步的處理，PICS 是無(wú)縫地進(jìn)行。一旦用戶(hù)捕捉到白光圖像，模型只需 65 毫秒就能傳遞出預(yù)測(cè)的熒光對(duì)應(yīng)物。

除此以外，還有其他研究小組使用機(jī)器學(xué)習(xí)來(lái)識(shí)別細(xì)胞。例如，華盛頓特區(qū)美國(guó)天主教大學(xué)的一個(gè)研究小組使用了一種稱(chēng)為 GAN 的神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別相襯光學(xué)顯微鏡圖像中的細(xì)胞核。