深度学习技术助力细胞成像取得突破进展

长期以来，由于对“健康快乐”的细胞多样性结构知之甚少，科学家无法进一步了解一些由于疾病和药物导致的细胞的变化。近日，一组揭示生物学领域的惊人多样性现象的图片在西雅图发布——6000多张荧光标记的诱导性多能干细胞(iPS)图片涵盖了大量丰富的细胞生物学基础信息。

这些图像的清晰程度让一些科学家直呼不敢相信。图片显示，遗传信息相同的干细胞，DNA(紫色)和细胞膜(蓝色)的结构也有差异。它们是由西雅图艾伦研究所(The Allen Institute)旗下的艾伦细胞科学研究所(The Allen Institute for Cell Science)的科研人员研究得出的。

尽管目前还没有研究数据公布，但是艾伦细胞研究所宣布了一个独一无二的开放平台——Allen Cell Explorer，这也是第一个可以窥察人体细胞的动态数字化的工具。该平台整合了大型3D成像数据，应用人工智能、机器深度学习和CRISPR基因编辑等技术，系统性地创建了可视化的细胞组织预测模型和其他一系列强大工具。此外，这一开放的平台将允许研究人员预测可能预示癌症和其他疾病的细胞布局变化。

艾伦细胞科学研究所执行所长Rick Horwitz博士表示：“这一前所未有的工具可能通过揭示细胞结构层面意想不到的数据结果，加速干细胞研究、癌症研究和药物开发方面的进展。”由于细胞是非常复杂的，它涉及成千上万的相互作用部件，一起协调工作来驱动和调节细胞结构及行为。Howitz还表示，已经有大学的科学家、制药公司在使用他们平台的资源。但是他拒绝透露是哪些公司和大学。

该项目始于一年之前，Horwitz博士和他的研究团队将成年皮肤细胞重新编程成未分化的胚胎阶段状态，然后他们使用CRISPR-Cas9技术在基因中插入荧光蛋白“标签”，使得细胞内结构发光。这些基因包括了编码细胞内肌动蛋白丝的基因，这一类蛋白有助于细胞移动并保持其形状。研究人员很快地清楚发现，即使来自同一亲本细胞，所有遗传克隆的细胞在其胞内组分上迥然不同：例如线粒体和肌动蛋白纤维的位置、形状和数量都具有差异性。

值得一提的是，一体化细胞模型(The Integrated Cell Model)是Allen Cell Explorer中的一个特色组件，是应用深度学习技术预测人类干细胞胞内组织结构的第一个模型。为了创建模型，研究人员对数千个人类干细胞的高质量图像进行了“培训”，以了解干细胞组件的组织方式。具体来说，计算机科学家使用深度学习程序分析了数千个图像，并发现了细胞胞内结构位置之间的关系。然后，他们使用这些信息来预测结构可能的位点，比如当使用程序改变细胞核的位置时，细胞会发生何种变化。该计划旨在通过将其预测结果与实际细胞进行比较来“深度学习”。

在接下来的几个月中，艾伦研究所的研究人员将在细胞分裂的不同阶段更新干细胞图像，这也意味着这些细胞将逐步转变为不同的细胞类型(如心脏细胞和肾细胞)。Horwitz认为，在不同时间点捕获细胞特征对于确定其基本发育或生长过程至关重要。

Horwitz还说道：“这是研究人员第一次使用‘深入学习’来尝试了解实际上细胞如何组织自我的难题。我们现在大体依赖于教科书的示意图画，这些示意画是基于艺术科学家对相对较少数量的细胞数据的诠释。我相信简单示意图最终将被数量众多的细胞数据驱动模型所取代。”

复旦大学医学院教授陈力对第一财经记者表示：“单细胞的图像分析技术和基因分析技术是相辅相成的。细胞形态学的研究，通过对细胞变化的分析会让人类知道更多以前未知的东西，现在这一领域才刚起步。”

陈力表示，可视化的细胞组织预测模型将对生物医药产生两方面的重大突破——疾病诊断和新药研发。“细胞形态学在疾病诊断方面会比基因检测速度更快，而且能够通过细胞的变化很快找到新的药物靶点，应用前景巨大。”陈力对第一财经记者说道。

据陈力介绍，他所在的复旦大学医学院也与相关中国公司合作，进行细胞组织的可视化研究。细胞可视化分析涉及到的三大技术包括单细胞分离技术、细胞成像显示技术和细胞形态的数据分析技术。陈力对第一财经记者表示：“这些技术都还面临很大的挑战，而且要通过多方合作开发才能投入到实际应用，细胞可视化应用的真正实现可能要5~10年时间。”他还表示，这一技术对目前极具发展前景的合成生物学同样有用。

对于艾伦细胞研究所的开放系统Allen Cell Explorer，陈力表示：“他们是希望鼓励大家都到他的平台上共享数据，最后建立一个库。虽然这样做很好，但是事实上具体的应用会涉及到不同的细节要去设置，也并不是那么容易做到。”