|
作者：Sarah O’Meara / 文 倪伟波 / 译 来源： 发布时间：2023-5-8 16:36:37
| ||||
20年前，计算生物学家Anne Carpenter在完成博士学位时，第一次意识到需要学习计算机编程。 Carpenter在麻省理工学院和哈佛大学的布罗德研究所管理着一个实验室。当时，她记得自己要么将面对长达3个月的人工图像分析，要么选择让显微镜自己运行。她选择了后者。自那以后，这种自动化方法显示出了它解决或者至少开始解决一些限制科学家使用显微镜技术手动观察细胞运作问题的潜力。例如，自动化可以减少识别细胞变化的耗时和细致工作。 Carpenter的实验室专注于使用软件来分析数百万张图像中包含的细胞形态数据，以加速药物研发。“在药物研发过程中会遇到很多瓶颈，而来自这些图像的数据被证明对解决每一个瓶颈都很有用：从建立更好的疾病相关检测和筛选库，到预测分析结果和毒性。”她说。
管理的局限性
位于得克萨斯州休斯敦的莱斯大学生物工程学教授Rebecca Richards-Kortum目前正与MD安德森癌症中心合作，解决传统显微镜技术的一些基本局限性。当使用传统显微镜时，在景深（DOF）和空间分辨率之间有一个固定的权衡：所需的空间分辨率越高，景深就越窄。该团队与莱斯大学的Ashok Veeraraghavan和MD安德森癌症中心的Ann Gillenwater合作，开发了一种名为DeepDOF的计算显微镜，其可以在保持分辨率的同时实现比传统显微镜大5倍的景深，显著减少了图像处理所需的时间。 Richards-Kortum解释称，DeepDOF使用了放置在显微镜孔径处的优化相位掩模和基于深度学习的算法，该算法将传感器数据转换为高分辨率、大光圈景深的图像。 “鉴于其低成本、高速和自动化分析能力，我们希望DeepDOF的观察范围有助于手术中准确评估口腔癌肿瘤边缘病变组织的数量。”她说道，“准确评估病变组织的能力有助于优化手术切除结果，特别是在资源有限的环境下，如农村地区。” 她表示，使用显微镜和人工智能开发创新医疗技术的最大挑战之一，是展示它们益处的必要性。 为计算显微镜提供动力的深度学习算法需要大型数据集来训练它们独立执行任务的能力，但这样的数据集并不总是现成的。然后，必须评估这些算法的性能，将其与当前的分析标准进行比较。“这是整个医疗保健技术领域面临的共同挑战。”她说。
应对挑战
Ricardo Henriques负责位于葡萄牙的古尔本基安研究所的光学细胞生物学实验室。他的跨学科团队——由光学物理学家、计算机科学家和生物医学研究人员组成——致力于改善现有成像技术的局限性。该团队专注于两个关键挑战：如何分析病毒感染活细胞的实时行为，以及如何建立智能显微镜技术，以减少在观察过程中光对生物系统造成的损害，即光毒性。 为了更好的设想，他建议把细胞比作足球运动员。“你想拍摄一场足球比赛，但摄影机的某些东西对球员来说是有毒的。为了降低他们的风险，你必须尽量减少拍摄时间，但也需要做出正确的决定，捕捉那些有助于真正理解比赛的关键时刻。”Henriques说。 Henriques的团队正在开发机器学习算法，以便更好地预测病毒感染过程中细胞内的关键事件何时发生，并捕捉这些时刻。同时，这些算法将试图减少捕获无关变化所花费的时间，减少细胞在有毒环境中的暴露时间。 对于Henriques来说，建立一个跨学科的团队来解决这些问题非常重要，因为这项工作涉及多种科学技能。“我们需要彻底改变思维方式，才能将人工智能全面引入科学研究。” 显微镜学所固有的许多学科，如物理学和生物学，由于各领域之间的语言障碍存在自然而然的独立工作倾向。“我认为各组织正在慢慢地投资建设桥梁，但还需要做更多工作来鼓励这种做法。”Henriques说。
建造桥梁
地球科学家Matt Andrew就职于加利福尼亚州都柏林的ZEISS光学技术公司，他的研究重点是多孔岩和沉积岩中的流动和运输过程。Andrew说，他的工作越来越集中于开发技术，以更好地利用显微镜产生的数据。他现在与公司的多个团队合作，帮助同事将人工智能应用到研究实践中。 他说，无论是观察细胞还是岩石，无论他们对深度学习技术的了解如何，将人工智能引入显微镜的日常实践的关键，是要确保这项技术可以被任何科学家使用。“构建能够释放深度学习的潜力和力量、工作迅速且易于使用的工作流程，对它们被采用至关重要。”Andrew表示。 例如，Andrew和他的团队使用一个被称为“解决方案实验室”的过程来构建工作流，通过人工智能自动检测科学家可能希望调查的样本区域。“你可以使用人工智能来识别与个别特征对应的区域，然后以更高的分辨率成像。”他补充道，“人工智能技术通常使用开源库和共享组件。我们的技术之所以如此成功，是因为我们确保它们使用起来更简单，而且打包后更容易消化。” Andrew认为，我们正处于实现显微镜数据革命的开端。“回想5年前，我们还不知道可以将这些技术用于显微镜。现在我们正朝着这样一个方向发展，让这些算法成为所有工作场所每个部分的核心。” Luciano Guerreiro Lucas是总部位于德国韦茨拉尔的徕卡显微系统公司的负责人，他专注于创建智能软件解决方案，以解决生命科学和生物制药领域在图像数据方面面临的一些大问题。在过去的41年里，他的团队一直在努力建立一个经过预先训练的深度学习模型库以及Aivia软件，其允许任何人利用一些关键的人工智能显微镜技术。 “现有的工具忽略了这样一个事实，即研究人员可能是生物学或类似学科的专家，但在显微镜或图像分析方面的专业知识非常有限。”Lucas说，“我们正在创造能够利用生物学家的专业知识并可以从中学习的工具。这些工具应该逐渐了解什么是细胞以及它在多种场景下的样子，并最终自主地进行成像和图像分析，使研究人员能够专注于科学发现过程中的创造性和批判性思维部分。” Lucas指出，目前实现这一想法的挑战是高质量、结构化数据的供应有限，以及缺乏标准的图像格式。“这些问题使得我们很难在这个领域取得更大的进展。此外，确实存在的数据往往被保存在孤岛中。在研究领域，很难就文件和数据标准达成广泛的共识，研究人员都喜欢用自己的方式做事。”他表示，商业和学术部门需要投入更多时间，让学界了解解决这些问题的好处。
数据操作
位于加利福尼亚州旧金山的格莱斯顿研究所所长兼高级研究员Steven Finkbeiner，过去十年一直走在人工智能和显微镜研究前沿。自从发明了一种可以一次追踪细胞数月的全自动机器人显微镜，他和团队已经产生了极其庞大的数据。这些信息让团队有能力真正探索人工智能的潜力。他说：“我们一直在‘无耻’地使用我们生成的PB级数据。” 例如，他的团队正在使用面部识别人工智能技术——将细胞的形态视为面部进行处理，并随着时间的推移来识别和追踪复杂系统（如组织）中的单个细胞。“我们希望这些方法能为研究复杂细胞—细胞相互作用的过程（如神经炎症）开辟新的可能性。” 通过展示神经网络中来自患者的细胞图像示例，Finkbeiner还教授利用网络诊断神经退行性疾病，如肌萎缩性脊髓侧索硬化症（ALS）和帕金森病。“我们以一种相对公正的方式询问网络，看它能否在图像中找到任何能够做出准确诊断的东西，然后我们得到了非常令人鼓舞的结果。我们希望这能带来对患者进行分层的新方法，发现生物标志物并开发有效的个性化疗法。它甚至可能在症状出现之前就诊断出患病风险，这将是革命性的。” 他的团队还使用人工智能来预测细胞的未来命运。“为了做到这一点，我们利用纵向单细胞数据和深度学习网络，寻找一个细胞早期特征来预测其命运。我们现在正在一个癌症项目中使用这种方法，这将有助于理解为什么有些细胞会产生耐药性，而有些则不会。”Finkbeiner表示。
将人工智能引入实验室
Rich Gruskin是总部位于纽约梅尔维尔的尼康仪器公司软件系统高级总经理，他与客户密切合作，以确保研究人员能够轻松采用人工智能技术。 &n |
