机器学习技术预测人类细胞的组织

艾伦研究所的科学家们使用机器学习培训电脑看到的部分细胞肉眼很难分辨。使用荧光标记细胞的3 d图像,研究小组教电脑发现活细胞内部结构没有荧光标签,只使用黑白图像生成的一种廉价的技术称为brightfield显微镜。描述这项新技术是一项研究发表在《自然》杂志上的方法。

荧光显微镜使用发光分子标签定位特定部分的细胞,非常精确,但只允许科学家们看到几个结构单元中。人类细胞有超过20000种不同的蛋白质,如果一起看,可以揭示关于健康和病变细胞的重要信息。

“这项技术让我们查看设置的结构比之前是可能的,”约翰逊说,博士科学家艾伦细胞科学研究所,艾伦研究所的一个部门,和该研究的资深作者。“这意味着我们可以探讨的组织细胞的方式,没有人能做到,特别是在活细胞。”

预测工具还可以帮助科学家了解出错在细胞疾病,里克·霍维茨说,博士,艾伦细胞科学研究所的执行主任。癌症研究人员可能的技术应用到存档肿瘤活检样本更好地了解细胞结构变化或对治疗癌症进展。该算法也可以援助再生医学发现细胞如何变化实时作为科学家试图在实验室培育器官或其他新身体结构。

艾伦研究所细胞科学使用深度学习算法来检测细胞结构简单无标号brightfield图像。

“这对这些技术有巨大的潜在影响及相关领域,”霍维茨说。“你看现场时发生的过程,就像魔术。这种方法允许我们,在我们迄今为止最非侵入性的方式,获取信息关于人类细胞,我们以前无法获得的。”

免费的组合预测工具集和brightfield显微镜可以降低研究成本如果用于荧光显微镜,它需要昂贵的设备和训练有素的操作员。荧光标记也受到衰落,光本身可以破坏活细胞,限制了该技术的效用研究活细胞和他们的动态。机器学习的方法将允许科学家追踪精确细胞长时间的变化,可能揭示早期发展等事件或疾病进展。

人类的眼睛,从brightfield显微镜细胞囊中呈现的都是灰色。一个训练有素的科学家可以找到的边缘细胞和细胞核,细胞的DNA-storage舱,但别的就没什么了。研究小组使用现有的机器学习技术,称为卷积神经网络,训练计算机识别这些图像的细节,如线粒体,细胞的强国。他们测试了12种不同的细胞结构和生成的模型预测的图像匹配的荧光标记图像大部分的结构,研究人员说。

它还证明算法能够捕捉惊讶甚至建模科学家。

“,我们有这个想法,如果我们的眼睛无法看到一个特定的结构,然后机器就不能学习它,“莫莉Maleckar说,博士,建模主任艾伦细胞科学研究所和作者的研究。我们不能“机器能看到东西。他们可以学到的东西我们不能。他们可以做到更快。”

这项技术也可以预测精确的结构信息与电子显微镜拍摄的图像。这里的计算方法都是一样的,福勒斯特Collman说,博士,助理研究员艾伦脑科学研究所和作者的研究,但应用程序是不同的。Collman是团队合作的一部分地图老鼠大脑中的神经元之间的连接。他们使用的方法排列的图像神经元用不同类型的显微镜,通常一个具有挑战性的问题一个人一台电脑和一个艰难的任务。

“我们在解决这个问题的进展加快,我们的同事从艾伦细胞科学研究所与我们合作的解决方案,”Collman说。

罗杰·布兰特博士,基础科学部门的成员在弗雷德哈钦森癌症研究中心,是使用新的方法作为研究工作的一部分,他是导致提高显微镜的“看到实力”生物学家研究酵母和哺乳动物细胞。

”取代荧光显微镜用更少的光密集显微镜将使研究人员能够加速他们的工作,做出更好的测量细胞和组织功能,并保存一些钱在这个过程中,”布伦特说。“通过这些网络可用,艾伦研究所正在帮助民主化生物和医学研究。”

这篇文章被转载材料提供的艾伦研究所。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。

参考:Ounkomol C。、Seshamani年代。Maleckar, M . M。Collman F。& Johnson, g . r . (2018)。从透射光显微镜Label-free预测三维荧光图像。自然方法1。https://doi.org/10.1038/s41592 - 018 - 0111 - 2