利用AI深度學習進行快速生物醫學研究

查看未處理細胞的顯微圖像并確定其特征比您想象的要困難得多。科學家通常使用化學物質殺死細胞，然后再觀察它們以確定其性質。

最近的一項突破性研究表明，無需使用這些侵入性方法，即可在計算機上查看詳細的細胞圖像。該技術不僅可以檢查未經處理的細胞，還可以捕獲科學家無法找到的許多數據。實際上，計算機處理的圖像包含的信息比您想象的要多得多。

美國舊金山格拉德斯通生物醫學科學研究所所長兼高級研究員史蒂芬·芬克貝納博士（Dr. Steven Finkbeiner）與Google計算機科學家一起研究了計算機，并采用了人工智能方法，為科學家提供了超越人類貿易的新途徑。我發現有可能提出。

團隊的方法是深度學習，這是一種機器學習，其中包括數據分析以及用于模式識別和預測的算法。今天發表在《生命科學》雜志上的這項研究是生物學深度學習的首批實例之一。

但是，今天提出的基于細胞的研究只是冰山一角。

Pinkbiner說：“可以修改這種方法。深入的結構學習不僅會從根本上改變我們進行生物醫學研究的方式，還將幫助我們找到重要的治療方法。”

生物學遇上人工智能

大約10年前，格拉德斯通研究所（Gladstone Institute）的平克賓納（Pinkbiner）博士開發了一種可以在數小時，數天或數月內跟蹤單個細胞的全自動機器人顯微鏡。當機器人顯微鏡每天產生3到5 TB的數據時，該團隊還開發了強大的統計和計算方法來分析大量信息。

考慮到所收集數據的規模和復雜性，Pinkbiner博士已開始探索使用深度結構學習作為改進研究的一種方法。預期該方法將提供人類無法執行的見解。他已經聯系了該領域AI的領導者Google。Google的AI基于人工神經網絡，該神經網絡通過許多相互連接的神經元層模擬信息處理器的松散大腦。

Google Accelerated Science團隊的工程總監Philip Nelson說：“我們希望利用對機器學習的熱情來解決大問題。與Gladstone的合作通過應用情報知識，它提供了極好的機會，可以幫助其他領域的科學家以切實可行的方式為社會做出貢獻。”

這工作得很好。Pinkbiner博士需要高級的計算機科學知識，而Google需要一個生物醫學研究項目，該項目可以產生足夠數量的材料用于深層結構學習。

Pinkbiner博士最初使用現成的軟件解決方案獲得的成功有限。Google通過TensorFlow提供了一個自定義模型，TensorFlow是由Google的AI工程師開發的一種流行的深度結構學習開源庫。

超人工作的神經網絡培訓

生物科學家的大部分研究都依賴于顯微圖像，但生物標本大多是由水制成，并且長期以來一直在努力尋找細胞中所需的物質。隨著時間的流逝，生物科學家已經開發出一種向細胞添加熒光標記以識別人眼通常不可見的特征的方法。然而，該技術具有明顯的缺點，包括殺死待研究細胞所花費的時間。

Pinkbiner博士和xxx作者Eric Christiansen發現，這些額外步驟不是必需的。事實證明，圖像所包含的信息遠遠超過了所見。

他們開發了一種新的深度學習方法，稱為“ in silico標簽”。這是計算機在未標記的細胞圖像中查找和預測特征的一種方法，可以揭示可能存在問題或科學家無法找到的重要信息。

谷歌加速科學團隊的工程師克里斯蒂安森說：“我們通過向神經網絡顯示同一細胞的兩個匹配圖像來訓練該網絡，一個沒有標簽，一個帶有熒光標簽。”通過重復數百萬次，然后向我們從未見過的神經網絡呈現未標記的圖像，我們可以準確地預測熒光標記的位置。”

這種深度學習網絡可以識別細胞是死亡還是存活，并且在現場具有98％的準確性。即使從大量活細胞群體中也可以挑選出一個死細胞，這比人類通常以80％的準確性識別死細胞的準確性要高得多。實際上，每天向有經驗的生物學家兩次展示相同的細胞圖像有時會給出不同的答案。

Pinkbiner和Nelson發現，經過訓練的神經網絡可以不斷提高其性能，并提高其執行新任務的能力和速度。因此，他們進行了訓練，以準確預測細胞核或指揮中心的位置。

該模型還可以區分不同的細胞類型。例如，可以從含有幾個細胞的培養皿中鑒定出一個神經元。您可以更進一步，并預測外觀相似的神經元的擴展部分是軸突還是樹突狀。

尼爾森說：“模型學得越多，就需要學習的數據就越少。” “我已經為此工作了一段時間，所以看到它在這里工作我感到非常興奮。”?他補充說：“我們的網絡通過將以前的學習應用到新任務中來繼續提高性能，并且可以準確預測比我們在這項研究中測量的數據更多的數據。”

美國國家神經疾病與中風研究所的瑪格麗特·薩瑟蘭德博士說：“這可能會改變生物醫學研究的方向。”?薩瑟蘭德博士說：“研究人員目前正在產生大量信息，用于幫助分析信息的訓練機取決于神經科學家如何整合腦細胞以及它們在與藥物開發相關的應用中如何反應。這意味著我們可以加快對此的理解。”

“?深度結構學習改變了生物醫學科學”

從智能手機到自動駕駛汽車，一些深度學習應用已變得幾乎普及。但是對于不熟悉該技術的生物學家來說，將AI用作實驗室工具可能并不容易。

Pinkbiner說：“這是生物學家使用這項技術的重要目標。”?他說：“當我們討論時，當我們了解我們在概念層面上想做的事情時，其他研究人員就不再聽我們的話，而是談論我們的想法。”如果您開始想象是否可以提供它，那是一個激動人心的時刻，可以提出一些想法。”

深度結構學習的生物學應用是無止境的。在他的實驗室中，Pinkbiner正在尋找診斷和治療神經退行性疾病（例如阿爾茨海默氏病，帕金森氏病和Lou Gehrig病（ALS））的新方法。

他說：“我們仍然不知道是什么原因導致了90％的這些患者。此外，我們甚至不知道所有患者的病因是否相同，或者甚至不必將其分類為不同類型。” 。深入的學習工具可以幫助回答影響重大的問題，從如何研究疾病到如何進行臨床試驗。

在不知道疾病分類的情況下，該藥物可能會在錯誤的患者組中進行測試，即使該藥物在其他患者中效果很好，也可能無效。在誘導多能干細胞技術中，科學家可以將患者的細胞與臨床信息匹配，深度學習網絡可以識別關系并預測兩個數據集之間的連通性。這可以幫助確定具有相同細胞特征的患者亞組，并為他們找到正確的治療方法。

Pinkbiner說：“隨著眾多先進技術的發展，我們似乎低估了影像的力量。這項研究重申了顯微鏡的重要性。”?“有趣的是，我們用來訓練我們的深度網絡的某些圖像是使用我當研究生時所使用的方法創建的，我認為這些圖像已經從圖像中提取了有用的資料，并在幾年前停止使用。 “我們發現的信息超出了人類所能掌握的范圍。”

借助AI，可以從圖像獲得的特征數量幾乎是無限的。研究小組認為，人類想象力的限制可能是xxx的障礙。