深度学习超人的观察细胞的方法

比你想象的看一个未经处理的细胞的显微镜图像并识别其特征。使细胞特征对肉眼可见,科学家通常必须使用化学物质可以杀死细胞,他们想看看。

一项突破性的研究表明,电脑可以看到细节图像不使用这些侵入性技术。他们可以检查细胞没有治疗,发现了大量的数据,科学家们不能自行检测。事实上,图像包含更多的信息比曾经认为不可能的。

史蒂文·芬克贝涅医学博士,董事和高级研究员斯顿研究院,与谷歌的计算机科学家。利用人工智能的方法,他们发现通过培训电脑,他们可以给科学家超过普通人类表现的一种方式。

他们使用被称为方法深度学习,涉及一种机器学习算法,可以分析数据,识别模式,作出预测。他们的工作发表在著名科学期刊《细胞,是第一批深度学习在生物学中的应用。

这只是冰山的一角。

说:“这将是革命性的,芬克贝涅世卫组织系统和治疗中心的主任格拉德斯通在旧金山。“深度学习将从根本上改变我们的行为方式在未来生物医学科学,不仅通过加速发现,而且还通过帮助找到治疗方法解决重大的未满足的医疗需求。”

生物学与人工智能

Finkbeiner和他的团队在格拉德斯通发明,近10年前,一个完全自动化的机器人显微镜可以跟踪单个细胞几个小时,几天,甚至几个月。每天为它生成3 - 5 tb的数据,他们还开发出强大的统计和计算方法来分析大量的信息。

鉴于收集的数据的规模和复杂性,Finkbeiner开始探索深度学习来提高他的研究通过提供见解,否则人类无法发现。然后,他走近了谷歌。公司领导在这个人工智能的分支,依靠人工神经网络松散模仿人类大脑处理信息的能力通过多层相互连接的神经元。

“我们想使用我们的激情机器学习解决大问题,”菲利普·尼尔森说,谷歌加速科学的工程总监。“与格莱斯顿合作对我们来说是一个极好的机会扩展知识的人工智能应用于帮助科学家在其他领域,可以造福社会有形的方式。”

这是一个完美的健康。Finkbeiner需要先���的计算机科学知识。谷歌需要生物医学研究项目,生成足够数量的数据适合深度学习。

Finkbeiner最初尝试使用现成的软件解决方案有限的成功。这次,谷歌帮助他的团队与TensorFlow定制一个模型,一个流行的开源库深度学习最初由谷歌开发的人工智能工程师。

网络训练达到超人的性能

虽然他们的工作依赖于显微镜图像,科学家一直在努力发现元素在细胞因为生物样品大部分是由水组成的。随着时间的推移,他们开发的方法添加荧光标签细胞为了看到特性通常人眼看不到。但这些技术有明显的缺点,从耗费时间他们试图杀死细胞研究。

Finkbeiner和埃里克•克里斯琴森,这项研究的第一作者,发现这些额外步骤不是必要的。事实证明,比满足eye-literally图像包含更多的信息。

他们发明了一种新的学习方法称为“硅标签”,计算机可以发现和预测功能的图像标记细胞。这种新方法揭示了重要的信息,否则有问题或科学家无法获得。

“我们训练神经网络通过展示这两组匹配的图像相同的细胞;一个标记,一个荧光标签,”克里斯琴森解释说,在谷歌软件工程师加速科学。“我们重复这一过程数百万次。然后,当我们提出网络它从未见过的标记图像,它可以准确地预测荧光标签属于这。”

深层网络可以识别细胞是否活着还是死了,和98%的时间得到正确的答案。它甚至能够挑选一个死细胞大量的活细胞。相比之下,人们通常只能确定一个死细胞的准确率为80%。事实上,当经历了生物学家观察细胞每,事实证明,两次面对同一单元的形象,他们有时会给不同的答案。

Finkbeiner和尼尔森意识到训练后,网络可以继续改善其性能和增加的能力和速度,它学会执行新任务。所以,他们训练准确预测细胞核的位置,或指挥中心。

模型还可以区分不同的细胞类型。例如,网络可以识别一个神经元内的细胞。它可以更进一步,预测是否延长神经元轴突和树突,两个不同的但是长相相似元素的细胞。

“模型已经学会越多,越少的数据需要学习一种新的类似的任务,”尼尔森说。“这种转移学习网络应用的学习在某些类型的图像在AI全新的类型是一个长期的挑战,我们兴奋地已经在这里工作很好。通过以前的经验应用到新的任务,我们的网络可以继续改善和作出准确的预测数据甚至比我们测量在这项研究。”

“这种方法有可能彻底改变生物医学研究,”玛格丽特·萨瑟兰说,博士项目负责人在国家神经疾病和中风研究所,是这项研究的部分资金支持。“研究人员现在产生的大量的数据。神经科学家,这意味着训练机器来帮助分析这些信息有助于加快我们理解大脑的细胞是如何组合在一起的药物开发和应用相关。”

深度学习可以改变生物医学科学

特定应用的深度学习几乎已成家常便饭,从智能手机到自动驾驶汽车。但对于生物学家,谁不熟悉的技术,人工智能的使用作为一种工具在实验室很难理解。

“把这技术,生物学家是如此重要的一个目标,”芬克贝涅说他也是导演Taube /作者的神经退行性疾病研究中心格拉德斯通和加州大学旧金山分校的神经学和生理学教授。“给谈判的时候,我注意到,当我的同事明白我们要做在概念层面上,他们几乎停止听!一旦他们可以开始想象深度学习可以帮助他们解决无法回答的问题,当它变得非常激动人心的时刻。”

潜在的生物应用的深度学习是无止境的。有请在他的实验室里,Finkbeiner试图找到新的方法来诊断和治疗神经退行性疾病,如阿尔茨海默病、帕金森病、肌萎缩性脊髓侧索硬化症(ALS)。

“我们仍然不理解这种疾病的确切原因这些患者的90%,“有请说Finkbeiner。“更重要的是,我们甚至不知道所有的病人有相同的原因,或者我们可以分类成不同类型的疾病。深度学习的工具可以帮助我们找到这些问题的答案,有巨大的影响,从我们如何研究疾病的方式进行临床试验。”

不知道疾病的分类,药物可以测试错了组患者,似乎无效,可以对不同的病人。诱导多功能干细胞技术,科学家可以匹配病人自己的细胞临床信息,和深层网络能找到这两个数据集之间的关系来预测连接。这可能有助于确定一个亚组患者相似的细胞特性和匹配他们适当的治疗。

”这么多先进的技术科学的发展,我认为我们低估了图像的力量,和我们重申显微镜的相关性研究,“有请说Finkbeiner。“有趣的是,一些图片我们用来训练深层网络依赖方法追溯到我作为一个研究生的日子。我以为我们已经开采有用数据的每一块图像和年前停止使用它们。我发现令人震惊的图片比人类可以掌握更多的信息。”帮助下人工智能的特性,可以获得图片几乎是无限的。人类的想象力的限制可能是唯一的因素。