谷歌Cell論文：深度學習模型預測熒光位置

Root 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

在生物醫學的研究里，顯微鏡可以幫助科學家們觀察定位細胞水平或分子水平的物質。

常用的相差顯微鏡觀察法，是從生物組織的一側給光，對細胞損傷小，且材料準備過程非常簡單。

可如果想要知道細胞核確切的位置，或者分析神經元樹突的數量或要看細胞是死是活，此前的辦法是必須要結合免疫熒游標記法，然後用熒光顯微鏡觀察。

如果不用熒游標記，就能看懂小圖1-4分別代表啥的話，算你厲害

藍色，細胞核；紅色，軸突；綠色，樹突

1，神經元聚團；2，突觸；3，軸突；4，只剩兩神經元活著，左下那個掛了（對比上個小圖4看）

但做過免疫熒游標記的同學都知道。拿到一張好的熒光照片，一路上有多麼不容易。

實驗材料養大養好拿去切片這些體力上的苦就不說了。

上一抗二抗還有封閉，每一步都是坑。即使十萬分小心走完了前面所有的步驟，到最後上熒光顯微鏡的時候還得面臨光漂白的囧況。

這還只是固定的片子。熒游標記還有個不可忽視的缺陷，染料有毒。活體細胞上了熒光之後活不了多久，所以那些時間跨度很長的生理實驗就別想了。

怎麼樣清晰定位目標物，同時還能繞開免疫熒游標記的缺點呢？

魚和熊掌可以兼得

今天，谷歌科學加速團隊(Google Accelerated Science team)在Cell上發表了一篇In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images論文。樣本無需熒光染色，用深度學習模型就可預測出目標物的位置。

不僅省去了免疫熒光繁瑣的過程，還不用擔心背景噪音、不同熒光染料串色的問題。剛切完腦片（或培養好的其他組織細胞），就可以直接放相差顯微鏡上拍片了，剩下的交給演算法模型就好。

模型訓練及工作原理

和所有模型一樣，這個預測熒游標記的模型需要獲得靠譜的訓練集。

因此，谷歌科學加速團隊聯合了哈佛Rubin實驗室以及格拉德斯通研究所(Gladstone Institutes)，收集了三種細胞（多功能幹細胞誘導的人類運動神經元、人類乳腺癌細胞、大鼠大腦皮層組織培養細胞）在三種光學顯微鏡（明場、相差、微分干涉相差）下的圖像數據。

下圖頂行的細胞三維信息，重構自二維圖像數據的疊影。不同的level表示不同的熒游標記物，馬賽克的位置表明該實驗樣品沒有進行此類熒游標記。

經過此數據集（圖1A）的訓練，模型（圖1C）就可以直接把沒有熒游標記的相差顯微圖像（圖1 D）處理成帶熒游標記的圖像了，預測出特定結構或蛋白的位置。

這個預測標記演算法還具備遷移學習能力，只要少量的訓練數據，馬上可以獲得新型熒游標記的預測能力。深受免疫熒游標記之苦的胖友，可以前往GitHub獲取該模型的代碼和全部數據集。

這下細胞分子生物學出結果發paper的效率要飛起來了。

最後，附論文地址：

http://www.cell.com/cell/fulltext/S0092-8674(18)30364-730364-7)

及熒游標記預測模型代碼：

https://github.com/google/in-silico-labeling

你可能感興趣

—完—

誠摯招聘

量子位正在招募編輯/記者，工作地點在北京中關村。期待有才氣、有熱情的同學加入我們！相關細節，請在量子位公眾號(QbitAI)對話界面，回復「招聘」兩個字。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！