他的人工智能工具，能够窥探活体细胞内部的奥秘

▲ 图：来自艾伦细胞科学研究所的计算机视觉研究员Greg Johnson已经证明，深度学习神经网络能够从未经标记的显微照片中提取细胞解剖结构细节，并据此创建出复杂的细胞模型。（Chona Kasinger/图片来源）

首先声明一点，大家在高中生物教科书里学习到的细胞知识基本都是错的。典型的体细胞——例如能够分化为肌肉、神经乃至皮肤等人体组织的多能干细胞——并不是那种简单的半透明球体。其内部构成，也绝不是像悬浮在明胶中的菠萝切块那种便于区分的静态结构。相反，活体细胞更像是一块被塞进小小三明治里的半融化果冻豆，其内部构成一直在不断变化，而且编排机制远比计算机芯片更精确也更复杂。

简而言之，即使是在二十一世纪，我们仍很难了解细胞内部究竟是什么样子——更不用说其中各组成部分间的相互作用。艾伦细胞科学研究所计算机视觉与机器学习研究员Greg Johnson说道，“我们可以把一个细胞看作像是汽车那样的复杂机器。除了24小时不断运作之外，有时候两辆车会并排前行，有时候甚至是四辆车齐头并进。即使是世界上最聪明的工程师，也无法重现如此精密复杂的机器——想到人类对细胞的运作方式始终知之甚少，我总会萌生出这样的感慨。”

为了观察活体细胞的内部运作方式，生物学家们目前选择将基因工程与先进的光学显微镜加以结合。（电子显微镜能够非常详细地对细胞内部进行成像，但却无法拍摄动来动去的活体样本。）一般来讲，对细胞进行基因修饰能够使其产生荧光蛋白，该蛋白会附着于特定的亚细胞结构当中，例如线粒体或者细胞微管。当细胞被特定波长的光线照射时，荧光蛋白即会发光，相当于对相关结构进行视觉标记。然而，这种技术昂贵、极为耗时，而且每次只能观察到细胞中的一部分结构特征。

但凭借着自己在软件工程方面的专业背景，Johnson希望了解：如果研究人员能够教会人工智能识别细胞内部特征并自动进行标记，结果又会如何？2018年，他和艾伦研究所的几位合作者开始了这场探索之旅。利用荧光成像样本，他们训练出一套深度学习系统，用以识别十几种亚细胞结构，直到该系统能够在前所未见的细胞中分辨这些结构。更重要的是，经过训练，Johnson’的这套系统甚至能够处理细胞的“明场图像”——即通过普通光学显微镜直接获得的图像，其内容“像是手电筒照射之下的细胞”。

不同于以往昂贵的荧光成像实验，如今科学家们可以利用这种“无标记测定”高效拼凑出活体细胞内部的高保真3D影像。

这些数据还可用于构建理想化的细胞生物学精确模型——基本上类似于高中教科书里那种规整的图像，但具有更高的科学准确性。这也是本次项目的最终目标。

▲ 图：在简单的活细胞“明场”光学显微镜图像中，Johnson的系统能够识别出未经标记的DNA、核仁、核膜、细胞膜以及线粒体（该系统会以多种颜色进行突出显示）。此后，系统还能够为这些细胞创建动态3D模型。

Johnson表示，“我们希望能够拿出一个普通的细胞，认真观察它、进行解剖并分析其中的具体构造。此外，由于结果基于统计数据，因此结果当中还包含我们期望的所有变化。大家可以说，让我们看看这个异常版本的细胞，弄清它是如何构成的。”

Johnson利用机器学习实现细胞内部可视化的尝试早在2010年就已经在卡耐基梅隆大学开始了，当时深度学习技术还没有在人工智能领域引发一系列突破。近十年之后，Johnson认为他的AI增强活细胞成像方法能够显著提高软件模型的准确度，从而减少甚至完全消除某些实验需要。他表示，“我们希望尽可能降低细胞图像的拍摄成本，同时尽可能多地对细胞形态做出预测。它是如何构成的？基因表达情况如何？它的近邻细胞又与它存在哪些交互？对我来说，无标记测定只是实现未来更多复杂目标的基础。”

我们采访了Johnson，希望了解基础细胞生物学中存在的挑战，以及AI在显微学领域的未来发展。对话内容经过编辑以确保清晰流畅。

（Chona Kasinger/图片来源）

问：观察活体细胞内部结构为什么如此困难？  

Johnson：如果要观察活体细胞内部，我们必须克服两大限制。我们虽然可以利用激光照射细胞以使各个荧光蛋白标记发光，但这种特定的激光具有危害性，对细胞来讲就像沙漠中的阳光一样杀伤力巨大。

另一个限制在于，这些标记会附着在细胞中的原始蛋白质上。这些蛋白质本来需要移动到其它位置并发挥作用，但由于附着了这个体形庞大的荧光分子，蛋白质的活动将受到影响，所以标记过多会改变细胞的运作方式。有时候，荧光标记的引入会令实验无法完成；有时候，这些标准甚至会杀死目标细胞。

问：但能起作用还不够吗？毕竟这种方法支持生物学走到了今天。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!