深度學(xué)習(xí)可預(yù)測(cè)造血干細(xì)胞的發(fā)育

自動(dòng)駕駛，自動(dòng)語音識(shí)別和游戲Go：Deep Learning正在產(chǎn)生越來越多的公眾意識(shí)。HelmholtzZentrumMünchen的科學(xué)家及其在蘇黎世聯(lián)邦理工學(xué)院和慕尼黑技術(shù)大學(xué)(TUM)的合作伙伴現(xiàn)在已經(jīng)用它來提前確定造血干細(xì)胞的發(fā)育。在“自然方法”中，他們描述了他們的軟件如何根據(jù)顯微鏡圖像預(yù)測(cè)未來的細(xì)胞類型。

今天，細(xì)胞生物學(xué)不再局限于靜態(tài)，而是試圖了解細(xì)胞群的動(dòng)態(tài)發(fā)展。一個(gè)例子是從它們的前體即造血干細(xì)胞產(chǎn)生不同類型的血細(xì)胞。“ 無法觀察到造血干細(xì)胞成為特定細(xì)胞類型的決定。此時(shí)，只能用細(xì)胞表面標(biāo)記回顧性地驗(yàn)證決定，”定量單細(xì)胞動(dòng)力學(xué)主管Carsten Marr博士解釋道。亥姆霍茲中心慕尼黑計(jì)算生物學(xué)研究所(ICB)研究小組。

他和他的團(tuán)隊(duì)現(xiàn)在開發(fā)了一種可以提前預(yù)測(cè)決策的算法。所謂的深度學(xué)習(xí)是關(guān)鍵。“深度神經(jīng)網(wǎng)絡(luò)在我們的方法中起著重要作用，”Marr說。“我們的算法通過將這些數(shù)據(jù)與過去從這些細(xì)胞的發(fā)展經(jīng)驗(yàn)進(jìn)行比較，對(duì)單個(gè)細(xì)胞的光學(xué)顯微圖像和視頻進(jìn)行分類。通過這種方式，算法”學(xué)習(xí)“某些細(xì)胞的行為方式。”

比標(biāo)準(zhǔn)方法早三代

具體而言，研究人員檢查了蘇黎世聯(lián)邦理工學(xué)院Timm Schroeder實(shí)驗(yàn)室在顯微鏡下拍攝的造血干細(xì)胞。利用外觀和速度信息，軟件能夠“記憶”相應(yīng)的行為模式，然后進(jìn)行預(yù)測(cè)。“與傳統(tǒng)方法相比，例如針對(duì)某些表面蛋白的熒光抗體，我們知道細(xì)胞如何更早地決定三代細(xì)胞，”ICB科學(xué)家Felix Buggenthin博士與該研究的聯(lián)合第一作者和FlorianBüttner博士一起報(bào)道。

但是，展望未來有什么好處?作為研究負(fù)責(zé)人Marr解釋說，“既然我們現(xiàn)在知道哪種細(xì)胞會(huì)以哪種方式發(fā)育，我們可以比以前更早地分離它們，并檢查它們?cè)诜肿铀缴系牟町?。我們希望利用這些信息來了解如何做出選擇。特殊的發(fā)展特征。“

在未來，重點(diǎn)將擴(kuò)展到造血干細(xì)胞之外。“我們正在使用深度學(xué)習(xí)來處理非常不同的問題和足夠大的數(shù)據(jù)記錄，”ICB主任，TUM生物系統(tǒng)數(shù)學(xué)建模主席Fabian Theis博士教授解釋說，他與Carsten一起領(lǐng)導(dǎo)了這項(xiàng)研究。馬爾。“例如，我們使用非常相似的算法來分析基因組中的疾病相關(guān)模式，并在臨床細(xì)胞篩選中識(shí)別生物標(biāo)記物。”

鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如有侵權(quán)行為，請(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。

推薦內(nèi)容