利用AI深度学习进行快速生物医学研究

查看未处理细胞的显微图像并确定其特征比您想象的要困难得多。科学家通常使用化学物质杀死细胞，然后再观察它们以确定其性质。

最近的一项突破性研究表明，无需使用这些侵入性方法，即可在计算机上查看详细的细胞图像。该技术不仅可以检查未经处理的细胞，还可以捕获科学家无法找到的许多数据。实际上，计算机处理的图像包含的信息比您想象的要多得多。

美国旧金山格拉德斯通生物医学科学研究所所长兼高级研究员史蒂芬·芬克贝纳博士（Dr. Steven Finkbeiner）与Google计算机科学家一起研究了计算机，并采用了人工智能方法，为科学家提供了超越人类贸易的新途径。我发现有可能提出。

团队的方法是深度学习，这是一种机器学习，其中包括数据分析以及用于模式识别和预测的算法。今天发表在《生命科学》杂志上的这项研究是生物学深度学习的首批实例之一。

但是，今天提出的基于细胞的研究只是冰山一角。

Pinkbiner说：“可以修改这种方法。深入的结构学习不仅会从根本上改变我们进行生物医学研究的方式，还将帮助我们找到重要的治疗方法。”

生物学遇上人工智能

大约10年前，格拉德斯通研究所（Gladstone Institute）的平克宾纳（Pinkbiner）博士开发了一种可以在数小时，数天或数月内跟踪单个细胞的全自动机器人显微镜。当机器人显微镜每天产生3到5 TB的数据时，该团队还开发了强大的统计和计算方法来分析大量信息。

考虑到所收集数据的规模和复杂性，Pinkbiner博士已开始探索使用深度结构学习作为改进研究的一种方法。预期该方法将提供人类无法执行的见解。他已经联系了该领域AI的领导者Google。Google的AI基于人工神经网络，该神经网络通过许多相互连接的神经元层模拟信息处理器的松散大脑。

Google Accelerated Science团队的工程总监Philip Nelson说：“我们希望利用对机器学习的热情来解决大问题。与Gladstone的合作通过应用情报知识，它提供了极好的机会，可以帮助其他领域的科学家以切实可行的方式为社会做出贡献。”

这工作得很好。Pinkbiner博士需要高级的计算机科学知识，而Google需要一个生物医学研究项目，该项目可以产生足够数量的材料用于深层结构学习。

Pinkbiner博士最初使用现成的软件解决方案获得的成功有限。Google通过TensorFlow提供了一个自定义模型，TensorFlow是由Google的AI工程师开发的一种流行的深度结构学习开源库。

超人工作的神经网络培训

生物科学家的大部分研究都依赖于显微图像，但生物标本大多是由水制成，并且长期以来一直在努力寻找细胞中所需的物质。随着时间的流逝，生物科学家已经开发出一种向细胞添加荧光标记以识别人眼通常不可见的特征的方法。然而，该技术具有明显的缺点，包括杀死待研究细胞所花费的时间。

Pinkbiner博士和第一作者Eric Christiansen发现，这些额外步骤不是必需的。事实证明，图像所包含的信息远远超过了所见。

他们开发了一种新的深度学习方法，称为“ in silico标签”。这是计算机在未标记的细胞图像中查找和预测特征的一种方法，可以揭示可能存在问题或科学家无法找到的重要信息。

谷歌加速科学团队的工程师克里斯蒂安森说：“我们通过向神经网络显示同一细胞的两个匹配图像来训练该网络，一个没有标签，一个带有荧光标签。”通过重复数百万次，然后向我们从未见过的神经网络呈现未标记的图像，我们可以准确地预测荧光标记的位置。”

这种深度学习网络可以识别细胞是死亡还是存活，并且在现场具有98％的准确性。即使从大量活细胞群体中也可以挑选出一个死细胞，这比人类通常以80％的准确性识别死细胞的准确性要高得多。实际上，每天向有经验的生物学家两次展示相同的细胞图像有时会给出不同的答案。

Pinkbiner和Nelson发现，经过训练的神经网络可以不断提高其性能，并提高其执行新任务的能力和速度。因此，他们进行了训练，以准确预测细胞核或指挥中心的位置。

该模型还可以区分不同的细胞类型。例如，可以从含有几个细胞的培养皿中鉴定出一个神经元。您可以更进一步，并预测外观相似的神经元的扩展部分是轴突还是树突状。

尼尔森说：“模型学得越多，就需要学习的数据就越少。” “我已经为此工作了一段时间，所以看到它在这里工作我感到非常兴奋。” 他补充说：“我们的网络通过将以前的学习应用到新任务中来继续提高性能，并且可以准确预测比我们在这项研究中测量的数据更多的数据。”

美国国家神经疾病与中风研究所的玛格丽特·萨瑟兰德博士说：“这可能会改变生物医学研究的方向。” 萨瑟兰德博士说：“研究人员目前正在产生大量信息，用于帮助分析信息的训练机取决于神经科学家如何整合脑细胞以及它们在与药物开发相关的应用中如何反应。这意味着我们可以加快对此的理解。”

“ 深度结构学习改变了生物医学科学”

从智能手机到自动驾驶汽车，一些深度学习应用已变得几乎普及。但是对于不熟悉该技术的生物学家来说，将AI用作实验室工具可能并不容易。

Pinkbiner说：“这是生物学家使用这项技术的重要目标。” 他说：“当我们讨论时，当我们了解我们在概念层面上想做的事情时，其他研究人员就不再听我们的话，而是谈论我们的想法。”如果您开始想象是否可以提供它，那是一个激动人心的时刻，可以提出一些想法。”

深度结构学习的生物学应用是无止境的。在他的实验室中，Pinkbiner正在寻找诊断和治疗神经退行性疾病（例如阿尔茨海默氏病，帕金森氏病和Lou Gehrig病（ALS））的新方法。

他说：“我们仍然不知道是什么原因导致了90％的这些患者。此外，我们甚至不知道所有患者的病因是否相同，或者甚至不必将其分类为不同类型。” 。深入的学习工具可以帮助回答影响重大的问题，从如何研究疾病到如何进行临床试验。

在不知道疾病分类的情况下，该药物可能会在错误的患者组中进行测试，即使该药物在其他患者中效果很好，也可能无效。在诱导多能干细胞技术中，科学家可以将患者的细胞与临床信息匹配，深度学习网络可以识别关系并预测两个数据集之间的连通性。这可以帮助确定具有相同细胞特征的患者亚组，并为他们找到正确的治疗方法。

Pinkbiner说：“随着众多先进技术的发展，我们似乎低估了影像的力量。这项研究重申了显微镜的重要性。” “有趣的是，我们用来训练我们的深度网络的某些图像是使用我当研究生时所使用的方法创建的，我认为这些图像已经从图像中提取了有用的资料，并在几年前停止使用。 “我们发现的信息超出了人类所能掌握的范围。”

借助AI，可以从图像获得的特征数量几乎是无限的。研究小组认为，人类想象力的限制可能是唯一的障碍。