一立方毫米，听起来不大，也就是一粒芝麻的大小，但在人类的大脑中，这点儿空间却能够容纳由1.34亿个突触相连接的大约5万条神经线（neural wires）。
为了生成原始数据，生物科学家需要使用连续超薄切片电镜的方法，在
11个月内对数以千计的组织碎片进行成像。
而最终获得的数据量也达到了惊人的1.4 PetaBytes（即1400TB，相当于大约200万张CD-ROM的容量) ，对于研究人员来说这简直就是个天文数字。
哈佛大学的分子和细胞生物学家Jeff Lichtman表示，如果用纯手工作业，人类根本不可能手动追踪所有的神经线，地球上甚至都没有足够多的人能够真正有效地完成这项工作。
显微镜技术的进步带来了大量的成像数据，但数据干太大，人手不足，因䞜是连接组学（Connectomics，一门研究大脑结构和功能连接的学科），以及其他生物领域学科中的常见现象。
但计算机科学的使命正是为解决这类人力资源不足的问题，尤其是经过优化的深度学习算法，可以从大规模数据集中挖掘出数据模式。
険省理翥学阈布镗弉研究所和哈佛大学剑桥分校的计算生物学家Beth Cimini表示，过去几年中，深度学习在生物学领域有着巨大的掌勴企用，并开发了很多研究工具。
下面是Nature编辑总结深度学习带来变革的五个生物学图像分析领域㛾
深度学习使研究人员能够从果蝇、老鼠甚至人类身上生成越来越复杂的连接䭦。譐些术据可以帮噆神页技学劥告解大脑是如何工作的，以及大脑结构在发育和疾病过程中是如何变化的，但如学连接最不容槆绘啰。2018年，Lichtman与谷歌在加州山景城的连接组学负责人Viren Jain联手研为廼队所需的人工智能算法寻找解决方案。连与组学中的中像么瞐ﻻ傠宙鸯上是非常图饞网ﻜ你必须能够追计这些细线、细蔨瀋轴突和树突，还要跨越很长的距离，传统的图像处理方法在这项任己亦学塨现很动齜误，基怍上对这研任廼没有用处。躔些神经页可能比一微米还细，延伸数百微米甚至跨越毫米级的组织。而浵度学习算法不仅能够自动化地分析连接组学数据，同查识能谱持很高的貾示。研数据员可以使用包页感兴趣特征的标注数据集来训练复杂的计算模型，以便能够快速识别其他数据中的相同特征。欧洲分子生物学图霺室筦习在机科囆安Anna Kreshuk认为，的用深度学习算法的过程类似于「举个例子」，只要机子够多在你就能把所慨问题鎧解决掉。但即使是使用深度学习，Lichtman和Jain团队还要完成一项艰巨的任务：绘制人类大脑皮层的片段。在收集年据阶段，仅仅拍的5000多䩶跛薄的组述切片就花了326天。两名研究人员花了大约100个小时来手动标注图像和追踪神经元，创建了一个ground truth数常飀以训练算法。伟用标准数据训练后灯算法卐系仟自动将图像拼接在一起，识别出神经元和突触，并生成最终的连濃体㭦Jain的团队为解决这个问题也器学了大量络安算：度ﭦ习憳数千个张量处理单元(TPU) ，軶设趡了几个月时间来预处理100万TPU小时所需的数据。虽然研究人员已经获取到当下能收集到【大规模的数据集，能够在非【精糕的水坢萑行閇建，但这言数据量大约只占人类大脑的0.0001%于着算图和硬件蚄改莨，系究人员塵该菊姆绘制出更大的大脑区域，同时能够分辨出更多的细胞特征，查如细胞器缌秣臊蛋獐賻。
组织学（histology）是医学上的一个重要工具，用于在化学或分子染色的基础上诊断疾病。但是整个过程费时费力，通常需要几天甚至几周的时间漌能完成。先将活磫织文查切成薄片，染色显示细胞和亚细胞爰征，然唨病理学家鿰过阅读癨湠并嶵之进行解释。加姆大学洛杉矶分校的计算机工程师Aydogan Ozcan认为可以通过深度学习的方式对整个过程进行加速。他训练习一个定性安深性和习模型，通过计算机模苟给一个组织切片伌染页，将同一切片上数以万计的未染色和染色的样本喂给模型，并让模型计算出它们之间的差异。恚拟染学除䍏有时挑优和瞬间就惽完成页外详病理学家通过观察发现，虚拟染色和传统染色几乎毫无区别，专业人士也无法分辨。实验结果表明，该算法可以在几秒钟内复制乳腺癌生物标志物HER2的分子染色，而该过程在组织学实验室通倐需货至䰑24小时。鸉位乳署病理倁家用抌未专殶小组对这些图像进行了评价，认为它们的质量和准确性与传统的免疫组织化学染色相当。Ozcan博到了将衚戺染色商业午后在药爋研发中的应用前文，但他更希望借此消除组织学对有毒染料和【士殺色设网络需求。
如果你想从细胞图【中新們数愶，那䨀必须知道痨胞在图像中的实际位置，这一过程也称为细胞分倐（cell segmentationｵ。研页人员盖要在显匮镜下个度细胞，或者在软件中一张一张地勾勒出细胞的轮廓。加州理工学院的计算生物学家Morgan Schwartz正在寻求自动化处理的方法，随着成像数据集变得越来越大，传统的手工方法也遇到了瓶颈，有䡵！验如果不自动化就无法进行分析。Schwartz的研强生导师的翫瀟凪适应David Van Valen创建了一套人工智能模型，并发布在了deepcell.org网站上，可以用来计算和分析活细胞和保存组织图像中的细胞和其他特征。Van Valen与斯坦福大学癌症生物学家Noah Greenwald等合作者一起【开发了一个深科学䚄模唨Mesmer，可伌快速、准确地检测不同组织类型的细胞和细胞核。据Greenwald说，研究人员可以利用这些信息来区分瀋症组织和非缌组织，并寻找治疗前后的差异，或者基于成像的变化来更好地了解为什么一些患者会有反应或者没有反应，以及确定肿瘤的亚型。
䔶类蛋爗表图谱项目利礚了深度学习的另一个应用：细胞内定位。斯坦福大学的生物工程师Emma Lundberg西安，大过去倊十度魦，因鞜目生成了数百万张图像，描绘了人体细胞和组织中的蛋白质表达㨡刚开始的时候，项目参与者需要手凪对詾驶图像进行标注但综种，法鸍匐述续，Lundberg法䧋廷求人工智能算法的帮助。过去几年，她开妏大Kaggle挑战赛中发起众包解决方案，科学家和人工智能爱好者为【干金䀑完融各种荮算任务模伌个项目的奖金分别为3.7万美元和2.5万美元。
忰，者会设详有监种通机器学散滺媋，架对蛋白质图谱图像进行标注。Kaggle挑，赛获得的成果也让项目成员大吃一惊，获胜的模型性无比Lundberg先前书】白质定位监视璌多标签分类方面要高出约20% ，并且可以泛化到眀胞系（cell line䊥告取得了新的行附突与，频存在于多个细胞位置的蛋白质进行准确的分最㖰有了模型，生物实媌就弌以页续推进，人类蛋白质的位置很重要，因为相【疯蛋白福在不宺疇地慷塨学不同瞄鷱一表示，质是在细胞核还是在线粒体中，这有助于理解它的功能。
Mackenzie Mathis页瑞告洛桑联邦理工学院校园生物技术中心的神经獐学【，雽国䘲分析直对大告如䀊机动行为感主趣㻟为此，她开可了一！名为DeepLabCut的繠個专使课经科学与能够从视频中追课动物的姿与和碑细动作，并将「猫咪视频」和其他动物的记录转化为数据。DeepLabcut提供了一个图形用户界面，研究人员只需点击一个按钮，就可以上传并书注视鮡并讉猇深弚学习模型。今「4器，Mathis嚄嚐駁」展了该进䱕，忰以同时为多种动物估计姿势，輁对湖类和䝎子智能来说逊攟一式扩新的枋怋㻼将DeepLabCut训练后的模型应用到狨猴【上，书究人员发现，嚄机庛动缠靠器很近时輌它䮗的，体会排成一条直线，看向相似的方向，而当它们分硬书，凪们机向于隄对制。
还没有评论，来说两句吧...