比你想象的更難以看到未經(jīng)處理的細(xì)胞的顯微鏡圖像并確定其特征。為了使細(xì)胞特征對(duì)人眼可見，科學(xué)家們通常必須使用能夠殺死他們想要觀察的細(xì)胞的化學(xué)物質(zhì)。

一項(xiàng)開創(chuàng)性的研究表明，計(jì)算機(jī)無需使用這些侵入性技術(shù)即可查看圖像中的細(xì)節(jié)。他們可以檢查未經(jīng)治療的細(xì)胞，并找到科學(xué)家無法自行檢測(cè)的大量數(shù)據(jù)。事實(shí)上，圖像包含的信息比以往任何時(shí)候都多。

格拉德斯通研究所的主任兼高級(jí)研究員，醫(yī)學(xué)博士，醫(yī)學(xué)博士，史蒂芬芬克比爾與谷歌的計(jì)算機(jī)科學(xué)家合作。他們使用人工智能方法發(fā)現(xiàn)，通過訓(xùn)練計(jì)算機(jī)，他們可以為科學(xué)家提供超越正常人類表現(xiàn)的方法。

他們使用的方法稱為深度學(xué)習(xí)，這是一種機(jī)器學(xué)習(xí)，涉及可以分析數(shù)據(jù)，識(shí)別模式和進(jìn)行預(yù)測(cè)的算法。他們的著作發(fā)表在著名的科學(xué)期刊“細(xì)胞”上，是生物學(xué)深層學(xué)習(xí)的首批應(yīng)用之一。

而這只是冰山一角。

“這將是變革性的，”Finkbeiner說，他是舊金山格拉德斯通系統(tǒng)與治療中心的主任。“深度學(xué)習(xí)將從根本上改變我們未來開展生物醫(yī)學(xué)科學(xué)的方式，不僅通過加速發(fā)現(xiàn)，還通過幫助尋找治療方法來解決主要未滿足的醫(yī)療需求。”

生物學(xué)符合人工智能

近10年前，F(xiàn)inkbeiner和他在Gladstone的團(tuán)隊(duì)發(fā)明了一種全自動(dòng)機(jī)器人顯微鏡，可以跟蹤單個(gè)細(xì)胞數(shù)小時(shí)，數(shù)天甚至數(shù)月。由于它每天產(chǎn)生3-5TB的數(shù)據(jù)，他們還開發(fā)了強(qiáng)大的統(tǒng)計(jì)和計(jì)算方法來分析大量的信息。

鑒于所收集數(shù)據(jù)的龐大規(guī)模和復(fù)雜性，F(xiàn)inkbeiner開始探索深度學(xué)習(xí)，通過提供人類無法發(fā)現(xiàn)的見解來增強(qiáng)他的研究。然后，谷歌接近了他。該公司一直是人工智能這一分支的領(lǐng)導(dǎo)者，該分支依賴于人工神經(jīng)網(wǎng)絡(luò)，這些網(wǎng)絡(luò)松散地模仿了人類大腦通過多層相互連接的神經(jīng)元處理信息的能力。

“我們希望利用我們對(duì)機(jī)器學(xué)習(xí)的熱情來解決重大問題，”Google Accelerated Science工程總監(jiān)Philip Nelson說。“與格拉德斯通合作是一個(gè)絕佳的機(jī)會(huì)，讓我們運(yùn)用我們不斷擴(kuò)展的人工智能知識(shí)，以一種有形的方式幫助社會(huì)的方式幫助其他領(lǐng)域的科學(xué)家。”

這是一個(gè)完美的契合。Finkbeiner需要先進(jìn)的計(jì)算機(jī)科學(xué)知識(shí)。谷歌需要一個(gè)生物醫(yī)學(xué)研究項(xiàng)目，該項(xiàng)目產(chǎn)生足夠數(shù)據(jù)以適應(yīng)深度學(xué)習(xí)。

Finkbeiner最初嘗試使用現(xiàn)成的軟件解決方案，但收效甚微。這一次，Google幫助他的團(tuán)隊(duì)使用TensorFlow定制了一個(gè)模型，TensorFlow是一個(gè)流行的深度學(xué)習(xí)開源庫(kù)，最初由Google AI工程師開發(fā)。

網(wǎng)絡(luò)訓(xùn)練達(dá)到超人的表現(xiàn)

雖然他們的大部分工作都依賴于顯微鏡圖像，但科學(xué)家長(zhǎng)期以來一直在努力探測(cè)細(xì)胞內(nèi)的元素，因?yàn)樯飿颖局饕伤M成。隨著時(shí)間的推移，他們開發(fā)了一些方法，為細(xì)胞添加熒光標(biāo)記，以便觀察人眼通常無法看到的特征。但是這些技術(shù)具有顯著的缺點(diǎn)，從耗時(shí)到殺死他們?cè)噲D研究的細(xì)胞。

該研究的第一作者Finkbeiner和Eric Christiansen發(fā)現(xiàn)這些額外步驟不是必需的。事實(shí)證明，圖像包含的信息遠(yuǎn)遠(yuǎn)超過了眼睛。

他們發(fā)明了一種新的深度學(xué)習(xí)方法，稱為“計(jì)算機(jī)標(biāo)記”，其中計(jì)算機(jī)可以找到并預(yù)測(cè)未標(biāo)記細(xì)胞圖像中的特征。這種新方法揭示了重要的信息，否則這些信息對(duì)科學(xué)家來說是有問題的或不可能獲得的。

“我們通過展示相同細(xì)胞的兩組匹配圖像訓(xùn)練神經(jīng)網(wǎng)絡(luò);一組未標(biāo)記，一組熒光標(biāo)記，”Google Accelerated Science的軟件工程師Christiansen解釋道。“我們重復(fù)了這個(gè)過程數(shù)百萬次。然后，當(dāng)我們向網(wǎng)絡(luò)呈現(xiàn)一個(gè)從未見過的未標(biāo)記圖像時(shí)，它可以準(zhǔn)確地預(yù)測(cè)熒光標(biāo)記所屬的位置。”

深層網(wǎng)絡(luò)可以識(shí)別一個(gè)單元是活著還是死亡，并且98%的時(shí)間都能得到正確的答案。甚至能夠在大量活細(xì)胞中挑出一個(gè)死細(xì)胞。相比之下，人們通常只能識(shí)別死細(xì)胞，準(zhǔn)確率為80%。事實(shí)上，當(dāng)經(jīng)驗(yàn)豐富的生物學(xué)家 - 每天看細(xì)胞 - 被呈現(xiàn)兩次相同細(xì)胞的圖像時(shí)，他們有時(shí)會(huì)給出不同的答案。

Finkbeiner和Nelson意識(shí)到，一旦接受過培訓(xùn)，網(wǎng)絡(luò)就可以繼續(xù)提高其性能，并提高學(xué)習(xí)執(zhí)行新任務(wù)的能力和速度。因此，他們訓(xùn)練它以準(zhǔn)確預(yù)測(cè)細(xì)胞核或指揮中心的位置。

該模型還可以區(qū)分不同的細(xì)胞類型。例如，網(wǎng)絡(luò)可以識(shí)別盤中混合細(xì)胞內(nèi)的神經(jīng)元。它可以更進(jìn)一步，預(yù)測(cè)該神經(jīng)元的延伸是一個(gè)軸突還是樹突，兩個(gè)不同但看起來相似的細(xì)胞元素。

“模型學(xué)到的越多，學(xué)習(xí)新的類似任務(wù)所需的數(shù)據(jù)就越少，”尼爾森說。“這種轉(zhuǎn)移學(xué)習(xí) - 網(wǎng)絡(luò)將在某些類型的圖像上學(xué)到的東西應(yīng)用于全新的類型 - 一直是人工智能的長(zhǎng)期挑戰(zhàn)，我們很高興能在這里工作得很好。通過應(yīng)用以前的新任務(wù)課程，我們的網(wǎng)絡(luò)可以繼續(xù)改進(jìn)，并對(duì)比我們?cè)诒狙芯恐袦y(cè)量的更多數(shù)據(jù)做出準(zhǔn)確的預(yù)測(cè)。“

“這種方法有可能徹底改變生物醫(yī)學(xué)研究，”國(guó)家神經(jīng)疾病和中風(fēng)研究所的項(xiàng)目主任Margaret Sutherland博士說，該研究部分資助了這項(xiàng)研究。“研究人員現(xiàn)在正在生成大量的數(shù)據(jù)。對(duì)于神經(jīng)科學(xué)家來說，這意味著培訓(xùn)機(jī)器有助于分析這些信息，這有助于加快我們對(duì)大腦細(xì)胞如何組合以及與藥物開發(fā)相關(guān)的應(yīng)用的理解。”

深度學(xué)習(xí)可以改變生物醫(yī)學(xué)科學(xué)

從智能手機(jī)到自動(dòng)駕駛汽車，深度學(xué)習(xí)的某些應(yīng)用已經(jīng)變得非常普遍。但對(duì)于不熟悉這些技術(shù)的生物學(xué)家來說，使用人工智能作為實(shí)驗(yàn)室中的工具可能很難理解。

“將這項(xiàng)技術(shù)引入生物學(xué)家是一個(gè)非常重要的目標(biāo)，”Finkbeiner說道，他也是格拉德斯通Taube / Koret神經(jīng)退行性疾病研究中心主任，加州大學(xué)舊金山分校神經(jīng)病學(xué)和生理學(xué)教授。“在進(jìn)行演講時(shí)，我注意到，一旦我的同事理解我們?cè)诟拍顚用嫔弦龅氖虑椋麄儙缀蹙蜁?huì)停止傾聽!一旦他們開始想象深度學(xué)習(xí)能幫助他們解決無法解決的問題，那就是它變得非常令人興奮。“

深度學(xué)習(xí)的潛在生物學(xué)應(yīng)用是無止境的。在他的實(shí)驗(yàn)室里，芬克比納正試圖尋找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，帕金森病和肌萎縮側(cè)索硬化癥(ALS)。

Finkbeiner說：“我們?nèi)匀徊涣私?0%這些患者的確切病因。”“更重要的是，我們甚至不知道所有患者是否都有相同的原因，或者我們是否可以將疾病歸類為不同的類型。深度學(xué)習(xí)工具可以幫助我們找到這些問題的答案，這對(duì)我們?nèi)绾谓鉀Q研究疾病的方式我們進(jìn)行臨床試驗(yàn)。“

在不知道疾病的分類的情況下，可以在錯(cuò)誤的患者群體上測(cè)試藥物，并且當(dāng)它實(shí)際上對(duì)不同的患者起作用時(shí)，似乎是無效的。利用誘導(dǎo)多能干細(xì)胞技術(shù)，科學(xué)家可以將患者自身細(xì)胞與臨床信息進(jìn)行匹配，深層網(wǎng)絡(luò)可以找到兩個(gè)數(shù)據(jù)集之間的關(guān)系來預(yù)測(cè)連接。這可以幫助確定具有相似細(xì)胞特征的患者亞組，并將其與適當(dāng)?shù)闹委熛嗥ヅ洹?/p>

“隨著科學(xué)領(lǐng)域中許多先進(jìn)技術(shù)的發(fā)展，我認(rèn)為我們低估了圖像的力量，我們的研究再次肯定了顯微鏡的相關(guān)性，”Finkbeiner說。“有趣的是，我們用于訓(xùn)練深度網(wǎng)絡(luò)的一些圖像依賴的方法可以追溯到我作為研究生的日子。我認(rèn)為我們已經(jīng)挖掘了這些圖像中的每一段有用數(shù)據(jù)，并在幾年前停止使用它們我發(fā)現(xiàn)圖像中的信息比人類所掌握的要多得多。“

在人工智能的幫助下，可以從圖像中獲得的特征數(shù)量幾乎是無限的。人類想象力的極限可能是唯一的剩余因素。