艾伦研究所(Allen Institute)的科学家已经使用机器学习来训练计算机，以查看人眼无法轻易分辨的部分细胞。研究小组使用荧光标记细胞的3D图像，教计算机在没有荧光标记的情况下寻找活细胞内部的结构，仅使用通过廉价技术(称为明场显微镜)生成的黑白图像。一项描述新技术的研究今天发表在《自然方法》杂志上。

荧光显微镜使用发光的分子标记物来定位细胞的特定部分，它非常精确，但只能让科学家一次看到细胞中的一些结构。人体细胞中含有多达20,000种不同的蛋白质，如果一起查看，它们可以揭示有关健康和患病细胞的重要信息。

“这项技术使我们能够比以前看到更多的这些结构，”艾伦研究所分部艾伦细胞科学研究所科学家，该研究的资深作者格雷格·约翰逊博士说。“这意味着我们可以以没人能做的方式探索细胞的组织，特别是在活细胞中。”

艾伦细胞科学研究所执行主任里克·霍维茨博士说，这种预测工具还可以帮助科学家了解疾病过程中细胞出了什么问题。癌症研究人员可以将该技术应用于存档的肿瘤活检样本，以更好地了解细胞结构如何随着癌症的进展或对治疗的反应而改变。该算法还可以通过揭示科学家试图在实验室中生长器官或其他新的身体结构时实时改变细胞的方式来辅助再生医学。

霍维茨说：“这项技术对这些领域和相关领域具有巨大的潜在影响。”“您可以看到流程正在发生的过程，就像魔术一样。到目前为止，这种方法使我们能够以最无创的方式获取以前无法获得的有关人类细胞的信息。”

如果代替荧光显微镜使用免费的预测工具集和明场显微镜，可以降低研究成本，因为荧光显微镜需要昂贵的设备和训练有素的操作员。荧光标签也容易褪色，光本身会损坏活细胞，从而限制了该技术用于研究活细胞及其动力学的效用。机器学习方法将使科学家能够长时间跟踪细胞的精确变化，从而有可能揭示诸如早期发育或疾病进展之类的事件。

在人眼中，在明场显微镜下观察到的细胞是呈灰色阴影渲染的囊。训练有素的科学家可以找到细胞和细胞核的边缘，即细胞的DNA储存室，但没有其他东西。研究团队使用了一种称为卷积神经网络的现有机器学习技术来训练计算机，以识别这些图像中更精细的细节，例如线粒体，细胞的强大力量。研究人员说，他们测试了12种不同的细胞结构，该模型生成的预测图像与大多数结构的荧光标记图像相匹配。

事实证明，即使是建模科学家，该算法也能够捕捉到什么。

“进去时，我们有一个想法，就是如果我们自己的眼睛看不到某种结构，那么机器将无法学习它，”模型建模总监Molly Maleckar博士说。艾伦细胞科学研究所和该研究的作者。“机器可以看到我们看不到的东西。他们可以学习我们无法做到的事情。他们可以更快地做到这一点。”

该技术还可以根据电子显微镜拍摄的图像预测精确的结构信息。艾伦脑科学研究所助理研究员，该研究的作者福雷斯特·科尔曼(Forrest Collman)博士说，这里的计算方法是相同的。Collman是一个小组的一部分，致力于绘制小鼠大脑神经元之间的联系。他们正在使用这种方法来排列用不同类型的显微镜拍摄的神经元图像，这通常是计算机面临的挑战性问题，也是人类的繁重工作。

Collman说：“通过让艾伦细胞科学研究所的同事与我们合作解决方案，加快了我们解决这一问题的速度。”

罗德·布伦特(Roger Brent)博士是弗雷德·哈钦森癌症研究中心基础科学部的成员，他正在使用这种新方法作为研究工作的一部分，他正在努力提高显微镜的“观察力”，以供研究酵母菌和生物学的生物学家使用。哺乳动物细胞。