一直以來，來自華盛頓西雅圖艾倫細(xì)胞科學(xué)研究所的定量細(xì)胞生物學(xué)家、副總監(jiān)Susanne Rafelski和她同事都有一個看起來很簡單的目標(biāo)：“我們希望能夠標(biāo)記細(xì)胞中多種不同的內(nèi)部結(jié)構(gòu)，而且是在活細(xì)胞里進(jìn)行3D的結(jié)構(gòu)標(biāo)記?！?/p>

    這一目標(biāo)通常依賴于熒光顯微鏡來實(shí)現(xiàn)，但問題是可用的染料數(shù)量有限，不足以完成對所有種類的細(xì)胞結(jié)構(gòu)進(jìn)行標(biāo)記。同時，熒光染料和試劑不僅昂貴、操作復(fù)雜，著色過程也對活細(xì)胞有害。當(dāng)光激活這些熒光物質(zhì)時，成像細(xì)胞的異常活躍會損害細(xì)胞?！盁o論哪個角度來說，熒光顯微都是耗費(fèi)很大的方式”，同在西雅圖艾倫研究所的腦科學(xué)中心顯微學(xué)家Forrest Collman說。當(dāng)Collman和同事嘗試使用3種不同顏色來拍攝3D延時視頻時，結(jié)果令人十分震驚。Collman回憶道：“你就眼睜睜的看著這些細(xì)胞在你面前凋零。”

插圖：Project Twin

    而另一方面，基于投射白光進(jìn)行成像的亮視野顯微鏡并不依賴標(biāo)記物，從而避免了熒光顯微鏡存在的一系列問題。但這種顯微鏡對比度較低，大多數(shù)細(xì)胞結(jié)構(gòu)無法看出。Rafelski團(tuán)隊需要結(jié)合兩種成像方式的優(yōu)勢，科學(xué)家們不禁在想，人工智能是否可以在亮視野顯微鏡的基礎(chǔ)上，通過一種類似“虛擬染色”的過程，預(yù)測出細(xì)胞通過熒光標(biāo)記出結(jié)構(gòu)形態(tài)呢？2017年，Rafelski當(dāng)時的同事，機(jī)器學(xué)習(xí)科學(xué)家Gregory Johnson提出了這么個解決方案，他想利用一種稱為深度學(xué)習(xí)的AI模型，從亮視野顯微鏡的非染色圖像中識別出肉眼難以觀測的細(xì)胞結(jié)構(gòu)。

    “天啊，這居然能成，”Rafelski離開了幾個月，回來工作時Johnson告訴她自己搞定了。在非熒光標(biāo)記的細(xì)胞圖像上應(yīng)用深度學(xué)習(xí)算法，艾倫研究所的團(tuán)隊在一段3D視頻中呈現(xiàn)了細(xì)胞核內(nèi)的DNA和精細(xì)結(jié)構(gòu)，以及細(xì)胞膜和線粒體[1]。

    “這些模型可以‘看’到人類看不到的結(jié)構(gòu)”，英國鄧迪大學(xué)的計量細(xì)胞生物學(xué)家Jason Swedlow說。他說，我們的眼睛并不適應(yīng)捕捉細(xì)微的結(jié)構(gòu)，或諸如光學(xué)顯微鏡下的灰度模式，我們不是這么演化的，“你的眼睛是為了發(fā)現(xiàn)老虎獅子和樹之類的東西”。

    在過去幾年里，AI領(lǐng)域的科學(xué)家們設(shè)計出了多種系統(tǒng)來抽取這些模式。模型利用亮視場顯微數(shù)據(jù)和與之精確對應(yīng)的熒光標(biāo)記數(shù)據(jù)來訓(xùn)練模型，但這些模型在處理數(shù)據(jù)的維度上略微不同，一些用作2D圖像，另一些用于3D；一些用于近似細(xì)胞結(jié)構(gòu)、一些則能生成足以亂真的顯微圖像。

    澳大利亞布里斯班轉(zhuǎn)化研究院的顯微設(shè)備主管Mark Scott說：“這代表了目前所能達(dá)到的最前沿水平?！倍F(xiàn)在需要生物學(xué)家與AI程序員合作，測試和改進(jìn)這些技術(shù)在真實(shí)環(huán)境中的應(yīng)用能力。

    加州大學(xué)神經(jīng)科學(xué)家Steven Finkbeiner，以及同在舊金山的格萊斯頓研究所，利用機(jī)器人顯微鏡對細(xì)胞進(jìn)行了長達(dá)一年的追蹤。在10年代前期，他的團(tuán)隊每天已經(jīng)能夠積累TB級的數(shù)據(jù)。這一研究吸引了谷歌研究者的注意，并拋出了合作的橄欖枝。Finkbeiner建議可以利用深度學(xué)習(xí)來從圖像中尋找人看不見的細(xì)胞結(jié)構(gòu)特征。

    深度學(xué)習(xí)利用計算機(jī)內(nèi)部的節(jié)點(diǎn)進(jìn)行層次堆疊模擬人腦內(nèi)部的神經(jīng)連接過程。首先節(jié)點(diǎn)間的鏈接權(quán)重被隨機(jī)初始化，所以計算機(jī)只是在猜；隨著訓(xùn)練過程的深入計算機(jī)可以逐漸調(diào)節(jié)這些權(quán)重或參數(shù)，直到越來越對。

    Finkbeiner的團(tuán)隊曾訓(xùn)練了一個可以從2D圖像中識別出神經(jīng)元的模型，然后是挑出細(xì)胞核并判斷細(xì)胞是否還有活性[2]。Finkbeiner說：“這一項目的主要意義在于向科學(xué)家表明，圖像數(shù)據(jù)里包含著的信息，可能比他們以為的多得多?！眻F(tuán)隊將這一技術(shù)稱為“硅標(biāo)記”（in silico labelling）。

    熒光標(biāo)記預(yù)測技術(shù)也在進(jìn)入制藥行業(yè)。瑞典哥德堡阿斯利康的藥理學(xué)家Alan Sabirsh一直致力于研究脂肪細(xì)胞在疾病和藥物代謝中的作用。Sabirsh和阿斯利康聯(lián)合了瑞典國家人工智能應(yīng)用中心舉辦了一場脂肪細(xì)胞成像挑戰(zhàn)賽，要求參賽者從未標(biāo)記顯微圖中識別出細(xì)胞核、細(xì)胞質(zhì)和脂肪滴。最終5000美元的獎金被Ankit Gupta、 H?kan Wieslander團(tuán)隊獲取，他們是瑞典烏普薩拉大學(xué)研究圖像處理技術(shù)的兩名博士生。

    與Chang和同事一樣，這一團(tuán)隊選擇利用GAN來識別脂肪滴。針對細(xì)胞核則使用了另一種方法LUPT（learning using privileged information，利用特權(quán)信息的學(xué)習(xí)），為機(jī)器的學(xué)習(xí)過程帶來額外的幫助。該團(tuán)隊使用了進(jìn)一步的圖像處理技術(shù)，來識別標(biāo)準(zhǔn)訓(xùn)練圖像對中的細(xì)胞核。一旦模型訓(xùn)練完成，它就可以僅僅基于光學(xué)顯微鏡圖像來預(yù)測細(xì)胞核了[5]。

    Gupta說，雖然生成的圖像并不完美，真實(shí)的熒光染色可以比模型預(yù)測結(jié)果提供更多細(xì)胞核與細(xì)胞質(zhì)的細(xì)節(jié)。但對于Sabirsh來說已經(jīng)足夠了，他已經(jīng)開始將這些代碼應(yīng)用于機(jī)器人顯微鏡的實(shí)驗中，并期望開發(fā)出新的療法。

在多個技術(shù)原型驗證后，這一技術(shù)已經(jīng)度過了蹣跚學(xué)步階段，更多的研究者開始嘗試這一技術(shù)。Swedlow說：“我們正在學(xué)習(xí)行走，以及行走的意義所在?！?/p>

    例如，我們需要明確這一方法在白光成像中何時是有效的、而何時又應(yīng)該避免使用這一技術(shù)。麻省理工大學(xué)博德學(xué)院成像平臺高級總監(jiān)Anne Carpenter說，嘗試分割細(xì)胞內(nèi)部細(xì)胞器和結(jié)構(gòu)也許是一個很好的應(yīng)用，因為錯誤并不會顯著影響到下游任務(wù)的結(jié)果。不過，她對預(yù)測實(shí)驗結(jié)果抱有審慎的態(tài)度，因為機(jī)器可能只在可控條件下，依賴一種結(jié)構(gòu)預(yù)測另一種。“但在生物學(xué)中，我們常常尋找的就是例外。”Carpenter說。

Popescu說，目前來說，至少科學(xué)家們已經(jīng)能夠利用標(biāo)準(zhǔn)的熒光染色來確認(rèn)模型的關(guān)鍵預(yù)測是否正確。新墨西哥州立大學(xué)電子工程師Laura Boucheron補(bǔ)充說，最好尋求一位相關(guān)領(lǐng)域的專家進(jìn)行合作，“運(yùn)行并良好使用這些模型，需要大量重要的計算機(jī)專業(yè)知識”。

    雖然一些模型只使用了少量的圖像進(jìn)行訓(xùn)練，但Boucheron認(rèn)為數(shù)據(jù)量越大越好。比利時根特大學(xué)VIB炎癥研究中心的計算生物學(xué)家Yvan Saeys認(rèn)為，幾百甚至上千的數(shù)據(jù)通常是必須的，如果你需要模型在多種細(xì)胞類型上或者來自不同顯微鏡設(shè)置下能有效運(yùn)行，需要在訓(xùn)練數(shù)據(jù)中涵蓋足夠多樣性的圖像。

    但Boucheron提醒，大體量的訓(xùn)練需要擁有多個圖形處理單元超級計算機(jī)，訓(xùn)練上數(shù)周時間。但一旦模型訓(xùn)練完成，預(yù)測模型就可以在筆記本甚至手機(jī)端運(yùn)行。

    對于很多研究者而言，如果未來再也無需承受細(xì)胞染色的繁雜之苦，這樣一次性的投資是值得的。Finkbeiner說：“如果你可以拍攝未染色的細(xì)胞圖像，并且擁有已經(jīng)訓(xùn)練好的預(yù)測模型，那就意味著你基本上能免花費(fèi)獲得所有信息了?！?/p>