亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁最新消息產業觀測站使用機器學習來觀察活的人體細胞

使用機器學習來觀察活的人體細胞

來源 : Summer Weng 編譯
update : 2018/05/15

研究人類細胞並不像聽起來那麼簡單,特別是當科學家們想在3D中,清楚地檢查細胞活著時的一段時間內,多個結構是如何變化的。現在,艾倫細胞科學研究所已經開發出一種新的工具,透過機器學習實現這些觀察。

艾倫細胞科學研究所執行主任Rick Horwitz博士說,與Allen集成細胞相遇,「是一種了解活著的人體細胞內部的新方法」。

由微軟聯合創始人和億萬富翁慈善家保羅艾倫資助,艾倫研究所以前創建了大量的人類誘導型多能性幹細胞(hiPSCs),它是用螢光標記基因編輯的,照亮主要結構。科學家們對這些發光細胞拍攝了數以萬計照片,並訓練了兩種人工智能算法來理解它們。

首先,一種算法研究質膜的形狀、核和其他結構,以了解它們的空間關係。這種訓練產生了強大的概率模型。只有細胞膜和細胞核的螢光影像,它可以準確預測單細胞內其他結構最可能的形狀和位置。

艾倫細胞科學研究所模擬總監Molly Maleckar博士說,一個模型使用從這些螢光細胞中學到的知識來發現細胞中的細胞結構,但沒有這些標記,它只需要相對容易收集的明場顯微鏡影像來即時預測螢光標記的位置。

其結果是在整個場中的細胞的即時3D,影像,而不是單個細胞,就好像它們已被螢光標記。根據該機構的觀點,無標籤方法生成的影像與螢光標記的細胞照片幾乎完全相同。

為什麼無標籤分析很重要?首先,螢光顯微鏡系統價格昂貴。另一方面,研究人員只能在短時間內同時看到有限數量的細胞結構,因為細胞在雷射轟擊下死亡,這是螢光顯微鏡的一個組成部分,Maleckar解釋說。

另一方面,更便宜的明場方法本身,並不足以明確識別細胞結構。

艾倫研究所的新工具結合了這兩種方法的優點,能夠幫助科學家節省金錢和時間,並讓他們長時間觀察細胞結構,而不必擔心激光的毒性效應。

加州理工學院生物學,生物工程和應用物理學教授Michael Elowitz博士在一份聲明中表示:「Allen Integrated Cell就像是最終的免費午餐。我們可以對許多不同蛋白質和細胞器的 "自助餐”進行取樣,而不必標記任何東西。這為細胞生物學開闢了一條全新的、更強大的途徑。這是一個徹頭徹尾的遊戲轉換器。」

儘管模型基於hiPSCs,但Maleckar表示,如果有訓練數據可用,它們可以應用於任何人類細胞。她說:「我們目前正在探索這些模型對不同細胞類型影像的適用程度,但真正的實力在於使用這些模型,來確定從一種細胞類型到另一種細胞的細胞組織變化。」

該工具還可以應用於藥物發現和疾病研究。概率模型能使研究人員確定結構之間單個細胞中的空間關係,以及它們在藥物存在時如何變化。無標記模型可以長時間測量細胞的動態變化,同時簡化了樣品製備。