Rumah  >  Artikel  >  Peranti teknologi  >  Dari kerja manual hingga revolusi perindustrian! Artikel alam semula jadi: Lima bidang analisis imej biologi yang direvolusikan oleh pembelajaran mendalam

Dari kerja manual hingga revolusi perindustrian! Artikel alam semula jadi: Lima bidang analisis imej biologi yang direvolusikan oleh pembelajaran mendalam

PHPz
PHPzke hadapan
2023-04-11 19:58:161082semak imbas

Satu milimeter padu bukan bunyi besar, ia sebesar biji bijan, tetapi dalam otak manusia, ruang kecil ini boleh memuatkan kira-kira 134 juta sinaps yang disambungkan oleh 50,000 wayar saraf.

Untuk menjana data mentah, ahli biosains perlu menggunakan kaedah mikroskop elektron pembahagian ultranipis bersiri dalam masa 11 bulan Beribu-ribu serpihan tisu digambarkan.

Dan jumlah data yang diperoleh akhirnya mencapai 1.4 PetaBytes (iaitu 1400TB, bersamaan dengan kapasiti kira-kira 2 juta CD-ROM), yang sesuai untuk penyelidikan Bagi kakitangan, ini hanyalah angka astronomi.

Jeff Lichtman, ahli biologi molekul dan selular di Universiti Harvard, berkata bahawa jika kita menggunakan kerja manual tulen, adalah mustahil untuk manusia mengesan semua garis saraf secara manual. Cukup ramai yang boleh melakukan kerja ini dengan berkesan.

Kemajuan teknologi mikroskop telah membawa sejumlah besar data pengimejan, tetapi jumlah data terlalu besar dan tenaga kerja tidak mencukupi Ini juga sebab untuk

Connectomics (Connectomics, penyelidikan Subjek struktur otak dan sambungan berfungsi), serta fenomena biasa dalam bidang biologi yang lain.

Tetapi

misi sains komputer betul-betul untuk menyelesaikan masalah sumber manusia yang tidak mencukupi seperti ini, terutamanya kedalaman yang dioptimumkan Algoritma pembelajaran boleh melombong corak data daripada set data berskala besar.

Beth Cimini, ahli biologi pengiraan di Institut Broad MIT dan Universiti Harvard di Cambridge, berkata bahawa pembelajaran mendalam telah mendapat rangsangan besar dalam bidang biologi sejak beberapa tahun lalu. peranan dan membangunkan banyak alat penyelidikan.

Berikut ialah editor Nature yang meringkaskan

lima medan analisis imej biologi di mana pembelajaran mendalam telah membawa perubahan. Sambungan berskala besar

Pembelajaran mendalam membolehkan penyelidik menjana sambungan yang semakin kompleks daripada lalat buah, tikus dan juga manusia.

Data ini boleh membantu ahli sains saraf memahami cara otak berfungsi dan cara struktur otak berubah semasa perkembangan dan penyakit, tetapi

sambungan saraf tidak mudah dipetakan.

Pada 2018,

Lichtman bergabung tenaga dengan Google Viren Jain, ketua connectomics di Mountain View, California. , untuk mencari penyelesaian bagi algoritma kecerdasan buatan yang diperlukan oleh pasukan.

Tugas analisis imej dalam connectomic sebenarnya sangat sukar, anda perlu dapat mengesan garisan nipis ini, akson dan dendrit sel, dalam jarak yang jauh ,

Tradisional kaedah pemprosesan imej akan mempunyai banyak ralat dalam tugasan ini dan pada dasarnya tidak berguna untuk tugasan ini.

Helai saraf ini boleh menjadi lebih nipis daripada mikron, memanjangkan ratusan mikron atau bahkan merentasi milimeter tisu.

Dan

algoritma pembelajaran mendalam bukan sahaja boleh menganalisis data connectomic secara automatik, tetapi juga mengekalkan ketepatan tinggi.

Penyelidik boleh menggunakan set data beranotasi yang mengandungi ciri menarik untuk melatih model pengiraan kompleks yang boleh mengenal pasti ciri yang sama dalam data lain dengan cepat.

Anna Kreshuk, seorang saintis komputer di Makmal Biologi Molekul Eropah, percaya bahawa proses menggunakan algoritma pembelajaran mendalam adalah serupa dengan "memberi contoh selagi terdapat contoh yang mencukupi". , anda boleh menyelesaikan semua masalah Semua selesai.

Tetapi walaupun menggunakan pembelajaran mendalam, pasukan Lichtman dan Jain masih mempunyai tugas yang sukar: memetakan segmen korteks serebrum manusia.

Semasa

fasa pengumpulan data, ia mengambil masa 326 hari hanya untuk mengambil lebih daripada 5,000 bahagian tisu ultra nipis.

Dua penyelidik

menghabiskan kira-kira 100 jam secara manual menganotasi imej dan menjejaki neuron untuk mencipta set data kebenaran asas untuk melatih algoritma.

Algoritma yang dilatih menggunakan data standard boleh mencantumkan imej secara automatik, mengenal pasti neuron dan sinaps serta menjana sambungan terakhir.

Pasukan Jain juga melaburkan banyak sumber pengkomputeran untuk menyelesaikan masalah ini, termasuk beribu-ribu unit pemprosesan tensor (TPU) dan menghabiskan Beberapa bulan untuk praproses data yang diperlukan untuk 1 juta jam TPU.

Walaupun penyelidik telah memperoleh terbesar set data yang boleh dikumpul pada masa ini dan boleh membina semulanya pada tahap yang sangat halus, ini jumlah data Anggaran hanya 0.0001% daripada otak manusia

Apabila algoritma dan perkakasan bertambah baik, penyelidik seharusnya dapat memetakan kawasan otak yang lebih besar dan pada masa yang sama menyelesaikan lebih banyak ciri Selular seperti organel dan juga protein.

Sekurang-kurangnya, pembelajaran mendalam memberikan kemungkinan.

Histologi maya

Histologi ialah alat penting dalam perubatan berdasarkan pewarnaan kimia atau molekul Mendiagnosis penyakit.

Tetapi keseluruhan proses memakan masa dan intensif buruh, biasanya mengambil masa berhari-hari malah berminggu-minggu untuk disiapkan.

Biopsi dihiris ke dalam bahagian nipis dan diwarnakan untuk menunjukkan ciri selular dan subselular, kemudian pakar patologi membaca dan mentafsir keputusannya.

Aydogan Ozcan, seorang jurutera komputer di University of California, Los Angeles, percaya bahawa keseluruhan proses boleh dipercepatkan melalui pembelajaran mendalam.

Dia melatih model pembelajaran mendalam yang disesuaikan, menggunakan komputer untuk mensimulasikan pewarnaan hirisan tisu dan puluhan ribu hirisan tisu pada kepingan yang sama Sampel yang tidak bernoda dan dicelup disalurkan kepada model dan biarkan model mengira perbezaan antara sampel tersebut.

Selain kelebihan masa pewarnaan maya (ia boleh diselesaikan dalam sekelip mata), ahli patologi telah menemui melalui pemerhatian bahawa hampir tiada perbezaan antara pewarnaan maya dan pewarnaan tradisional , profesional Orang ramai juga tidak boleh membezakannya.

Hasil eksperimen menunjukkan bahawa algoritma boleh meniru pewarnaan molekul biomarker kanser payudara HER2 dalam segera beberapa saat, proses yang tidak berfungsi dengan baik dalam histologi Makmal biasanya memerlukan sekurang-kurangnya 24 jam .

Panel pakar tiga pakar patologi payudara menilai imej dan menganggapnya sebagai kualiti dan ketepatan yang setanding dengan pewarnaan imunohistokimia konvensional.

Ozcan melihat potensi untuk mengkomersialkan pewarnaan maya dalam pembangunan ubat, tetapi dia berharap dapat menghapuskan keperluan untuk pewarna toksik dan peralatan pewarnaan yang mahal dalam histologi.

Mencari sel

Jika anda ingin mengekstrak data daripada imej sel, anda mesti mengetahui lokasi sebenar sel dalam imej Proses ini juga dipanggil sel pembahagian (segmentasi sel).

Penyelidik perlu memerhati

sel di bawah mikroskop, atau menggariskan sel satu demi satu dalam perisian.

Morgan Schwartz, ahli biologi pengiraan di California Institute of Technology, sedang mencari cara untuk mengautomasikan pemprosesan Memandangkan set data pengimejan menjadi lebih besar dan lebih besar, kaedah manual tradisional juga menghadapi kesesakan. Sesetengah percubaan

tidak boleh dianalisis tanpa automasi.

Penasihat siswazah Schwartz, bioengineer David Van Valen, mencipta satu set model kecerdasan buatan dan menerbitkannya di laman web deepcell.org, yang boleh digunakan untuk mengira dan menganalisis sel hidup dan menyimpan mereka. Sel dan ciri lain dalam imej tisu.

Dari kerja manual hingga revolusi perindustrian! Artikel alam semula jadi: Lima bidang analisis imej biologi yang direvolusikan oleh pembelajaran mendalam

Van Valen, bersama rakan usaha sama seperti ahli biologi kanser Universiti Stanford, Noah Greenwald, turut membangunkan Mesmer, model pembelajaran mendalam yang boleh

dengan pantas , mengesan sel dan nukleus dengan tepat dalam jenis tisu yang berbeza.

Menurut Greenwald, penyelidik boleh menggunakan maklumat ini untuk membezakan tisu kanser daripada tisu bukan kanser dan mencari perbezaan sebelum dan selepas rawatan, atau berdasarkan perubahan pengimejan untuk lebih memahami mengapa sesetengah Will pesakit bertindak balas atau tidak bertindak balas, serta menentukan subjenis tumor.

Menyetempatkan protein

Projek Human Protein Atlas mengambil kesempatan daripada satu lagi aplikasi pembelajaran mendalam: penyetempatan intraselular.

Emma Lundberg, seorang bioengineer di Stanford University, berkata sejak beberapa dekad yang lalu, projek telah menghasilkan berjuta-juta imej yang menggambarkan apa yang berlaku dalam sel manusia dan ekspresi protein.

Pada mulanya, peserta projek perlu menganotasi imej ini secara manual, tetapi kaedah ini tidak dapat dikekalkan dan Lundberg mula mendapatkan bantuan daripada algoritma kecerdasan buatan.

Dalam beberapa tahun yang lalu, dia memulakan penyelesaian sumber ramai dalam Cabaran Kaggle, di mana saintis dan peminat kecerdasan buatan menyelesaikan pelbagai tugas pengkomputeran untuk hadiah wang kedua-dua projek itu masing-masing USD 37,000 dan USD 25,000.

Para peserta akan mereka bentuk model pembelajaran mesin yang diselia dan menganotasi imej peta protein.

Hasil cabaran Kaggle juga mengejutkan ahli projek Prestasi model yang menang adalah kira-kira 20% lebih tinggi daripada klasifikasi berbilang label corak penyetempatan protein, dan boleh digeneralisasikan kepada garisan sel, dan juga telah mencapai kejayaan industri baharu, dengan tepat mengklasifikasikan protein yang wujud dalam berbilang lokasi selular.

Dari kerja manual hingga revolusi perindustrian! Artikel alam semula jadi: Lima bidang analisis imej biologi yang direvolusikan oleh pembelajaran mendalam

Dengan model, eksperimen biologi boleh bergerak ke hadapan Lokasi protein manusia adalah penting kerana protein yang sama ada di tempat yang berbeza berkelakuan berbeza, dan mengetahui sama ada protein berada dalam nukleus atau mitokondria boleh membantu memahami fungsinya.

Menjejaki tingkah laku haiwan

Mackenzie Mathis, ahli sains saraf di Pusat Bioteknologi di kampus Ecole Polytechnique Fédérale de Lausanne di Switzerland, telah lama berminat dengan cara otak mendorong tingkah laku.

Untuk melakukan ini, dia membangunkan program yang dipanggil DeepLabCut yang membolehkan ahli sains saraf menjejaki postur haiwan dan pergerakan halus daripada video dan menukar Video "kucing" dan lain-lain rakaman haiwan ditukar kepada data.

DeepLabcut menyediakan antara muka pengguna grafik yang membolehkan penyelidik memuat naik dan menganotasi video serta melatih model pembelajaran mendalam dengan mengklik butang.

Pada bulan April tahun ini, pasukan Mathis mengembangkan perisian untuk menganggarkan pose untuk berbilang haiwan serentak, manfaat untuk manusia dan kecerdasan buatan Satu cabaran baharu .

Menggunakan model yang dilatih oleh DeepLabCut pada marmoset, para penyelidik mendapati bahawa apabila haiwan ini berada sangat dekat, badan mereka akan berbaris dalam garis lurus dan melihat ke arah haiwan yang serupa, dan apabila mereka berjauhan, mereka cenderung untuk berhadapan antara satu sama lain.

Ahli biologi mengenal pasti postur haiwan untuk memahami cara dua haiwan berinteraksi, memandang atau memerhati dunia.

Atas ialah kandungan terperinci Dari kerja manual hingga revolusi perindustrian! Artikel alam semula jadi: Lima bidang analisis imej biologi yang direvolusikan oleh pembelajaran mendalam. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Kenyataan:
Artikel ini dikembalikan pada:51cto.com. Jika ada pelanggaran, sila hubungi admin@php.cn Padam