深度學習技術助力細胞成像取得突破進展

長期以來，由於對「健康快樂」的細胞多樣性結構知之甚少，科學家無法進一步了解一些由於疾病和藥物導致的細胞的變化。近日，一組揭示生物學領域的驚人多樣性現象的圖片在西雅圖發布——6000多張熒游標記的誘導性多能幹細胞(iPS)圖片涵蓋了大量豐富的細胞生物學基礎信息。

這些圖像的清晰程度讓一些科學家直呼不敢相信。圖片顯示，遺傳信息相同的幹細胞，DNA(紫色)和細胞膜(藍色)的結構也有差異。它們是由西雅圖艾倫研究所(The Allen Institute)旗下的艾倫細胞科學研究所(The Allen Institute for Cell Science)的科研人員研究得出的。

儘管目前還沒有研究數據公布，但是艾倫細胞研究所宣布了一個獨一無二的開放平台——Allen Cell Explorer，這也是第一個可以窺察人體細胞的動態數字化的工具。該平台整合了大型3D成像數據，應用人工智慧、機器深度學習和CRISPR基因編輯等技術，系統性地創建了可視化的細胞組織預測模型和其他一系列強大工具。此外，這一開放的平台將允許研究人員預測可能預示癌症和其他疾病的細胞布局變化。

艾倫細胞科學研究所執行所長Rick Horwitz博士表示：「這一前所未有的工具可能通過揭示細胞結構層面意想不到的數據結果，加速幹細胞研究、癌症研究和藥物開發方面的進展。」由於細胞是非常複雜的，它涉及成千上萬的相互作用部件，一起協調工作來驅動和調節細胞結構及行為。Howitz還表示，已經有大學的科學家、製藥公司在使用他們平台的資源。但是他拒絕透露是哪些公司和大學。

該項目始於一年之前，Horwitz博士和他的研究團隊將成年皮膚細胞重新編程成未分化的胚胎階段狀態，然後他們使用CRISPR-Cas9技術在基因中插入熒光蛋白「標籤」，使得細胞內結構發光。這些基因包括了編碼細胞內肌動蛋白絲的基因，這一類蛋白有助於細胞移動並保持其形狀。研究人員很快地清楚發現，即使來自同一親本細胞，所有遺傳克隆的細胞在其胞內組分上迥然不同：例如線粒體和肌動蛋白纖維的位置、形狀和數量都具有差異性。

值得一提的是，一體化細胞模型(The Integrated Cell Model)是Allen Cell Explorer中的一個特色組件，是應用深度學習技術預測人類幹細胞胞內組織結構的第一個模型。為了創建模型，研究人員對數千個人類幹細胞的高質量圖像進行了「培訓」，以了解幹細胞組件的組織方式。具體來說，計算機科學家使用深度學習程序分析了數千個圖像，並發現了細胞胞內結構位置之間的關係。然後，他們使用這些信息來預測結構可能的位點，比如當使用程序改變細胞核的位置時，細胞會發生何種變化。該計劃旨在通過將其預測結果與實際細胞進行比較來「深度學習」。

在接下來的幾個月中，艾倫研究所的研究人員將在細胞分裂的不同階段更新幹細胞圖像，這也意味著這些細胞將逐步轉變為不同的細胞類型(如心臟細胞和腎細胞)。Horwitz認為，在不同時間點捕獲細胞特徵對於確定其基本發育或生長過程至關重要。

Horwitz還說道：「這是研究人員第一次使用『深入學習』來嘗試了解實際上細胞如何組織自我的難題。我們現在大體依賴於教科書的示意圖畫，這些示意畫是基於藝術科學家對相對較少數量的細胞數據的詮釋。我相信簡單示意圖最終將被數量眾多的細胞數據驅動模型所取代。」

復旦大學醫學院教授陳力對第一財經記者表示：「單細胞的圖像分析技術和基因分析技術是相輔相成的。細胞形態學的研究，通過對細胞變化的分析會讓人類知道更多以前未知的東西，現在這一領域才剛起步。」

陳力表示，可視化的細胞組織預測模型將對生物醫藥產生兩方面的重大突破——疾病診斷和新葯研發。「細胞形態學在疾病診斷方面會比基因檢測速度更快，而且能夠通過細胞的變化很快找到新的藥物靶點，應用前景巨大。」陳力對第一財經記者說道。

據陳力介紹，他所在的復旦大學醫學院也與相關公司合作，進行細胞組織的可視化研究。細胞可視化分析涉及到的三大技術包括單細胞分離技術、細胞成像顯示技術和細胞形態的數據分析技術。陳力對第一財經記者表示：「這些技術都還面臨很大的挑戰，而且要通過多方合作開發才能投入到實際應用，細胞可視化應用的真正實現可能要5~10年時間。」他還表示，這一技術對目前極具發展前景的合成生物學同樣有用。

對於艾倫細胞研究所的開放系統Allen Cell Explorer，陳力表示：「他們是希望鼓勵大家都到他的平台上共享數據，最後建立一個庫。雖然這樣做很好，但是事實上具體的應用會涉及到不同的細節要去設置，也並不是那麼容易做到。」