HelmholtzZentrumMünchen的研究人员开发了一种利用图像数据重建连续生物过程(如疾病进展)的新方法。

现代生命科学在更短和更短的周期中产生不断增长的数据量。使这些数据可控并适合评估是Alexander Wolf博士及其同事在HelmholtzZentrumMünchen的计算生物学研究所(ICB)的目标。考虑到这一点，研究人员正在尝试开发处理此评估的软件。但当然要清除各种障碍。

“在目前的研究中，我们处理的问题是软件无法将图像数据分配给连续过程，”研究负责人沃尔夫解释道。“例如，可以根据明确定义的类别对图像信息进行分类，但在疾病进展和发育生物学中，很快就会达到极限，因为这些过程是连续的而不是单独的步骤。”

为了考虑到这一点，亥姆霍兹团队采用了所谓的深度学习*(即机器学习过程)的方法。“使用人工神经网络，我们现在可以将各个图片组合成过程，并以人类理解的方式显示它们，”Philipp Eulenberg和NiklasKöhler说道，他们是ICB的前硕士生和该研究的第一作者。

血细胞和视网膜作为陪练伙伴

为了证明该方法的能力，科学家们选择了两个例子。在第一种方法中，软件使用来自成像流式细胞仪的图像(在荧光显微镜中产生图片)重建白细胞的连续细胞周期。“这项检查的另一个优点是我们的软件速度非常快，可以即时提取细胞发育，这意味着细胞计数器中的分析仍在运行，”Wolf解释道。“此外，我们的软件错误比以前的方法少六倍。”

在第二个实验中，研究人员重建了糖尿病视网膜病变的进展。**“我们通过向我们的软件提供30,000个视网膜图像作为陪练伙伴来做到这一点，可以这么说，”NiklasKöhler解释道。“由于它自动将这些数据汇编成一个连续的过程，因此该软件可以让我们连续地预测疾病进展。”

如果数据不是连续生物过程的一部分?“在这种情况下，软件会识别出涉及的各个类别，并将测量数据分配给各个集群，”Wolf解释道。除了该方法的进一步应用之外，Wolf和他的同事希望在未来解决使用机器学习评估生物数据的其他问题。