«Мы можем так много узнать, глядя на изображения клеток: как белок выглядит в нормальных условиях и выглядят ли они по-разному в клетках, несущих генетические мутации, или когда мы подвергаем клетки воздействию лекарств или других химических реагентов? Люди пытались вручную оценить, что происходит с их данными, но на это уходит много времени », — говорит Бенджамин Грис, аспирант по молекулярной генетике и соавтор исследования.
Алгоритм, получивший название DeepLoc, может распознавать образцы в клетке, созданные белками, лучше и намного быстрее, чем человеческий глаз или предыдущие подходы, основанные на компьютерном зрении. В обложке последнего выпуска Molecular System Biology команды под руководством профессоров Брендой Эндрюс и Чарльза Буна из Центра Доннелли и Департамента молекулярной генетики также описывают способность DeepLoc обрабатывать изображения из других лабораторий, демонстрируя его потенциал для более широкого использования.
От беспилотных автомобилей до компьютеров, которые могут диагностировать рак, искусственный интеллект (ИИ) формирует мир способами, которые трудно предсказать, но для клеточных биологов изменения не могут произойти достаточно скоро. Благодаря новым и полностью автоматизированным микроскопам ученые могут собирать пачки данных быстрее, чем анализировать.
"Прямо сейчас для получения изображений клеток требуются от нескольких дней до недель, и от месяцев до лет для их анализа. Глубокое обучение в конечном итоге приведет к тому, что временной масштаб этого анализа будет таким же, как и для экспериментов », — говорит Орен Краус, ведущий соавтор статьи и аспирант под совместным руководством Эндрюса и профессора Брендана Фрея из Центра Доннелли и Кафедра электротехники и вычислительной техники.
Эндрюс, Бун и Фрей также являются старшими научными сотрудниками Канадского института перспективных исследований.
Подобно другим типам ИИ, в которых компьютеры учатся распознавать закономерности в данных, DeepLoc был обучен распознавать различные формы, образованные светящимися белками — помеченными флуоресцентной меткой, которая делает их видимыми — в клетках. Но в отличие от компьютерного зрения, требующего подробных инструкций, DeepLoc учится непосредственно на данных пикселей изображения, что делает его более точным и быстрым.
Грис и Краус обучили DeepLoc на ранее опубликованных данных команд, которые показывают область в клетке, занятую более 4000 дрожжевых белков — три четверти всех белков в дрожжах. Этот набор данных остается наиболее полной картой, показывающей точное положение подавляющего большинства белков в любой клетке. Когда он был впервые выпущен в 2015 году, анализ проводился с помощью сложного конвейера компьютерного зрения и машинного обучения, на выполнение которого потребовались месяцы.
DeepLoc обработал данные за считанные часы.
DeepLoc смог обнаружить тонкие различия между похожими изображениями. Первоначальный анализ выявил 15 различных классов белков, каждый из которых представляет отдельные районы в клетке; DeepLoc выделил 22 класса.
Он также смог сортировать клетки, форма которых изменилась из-за гормонального лечения, задача, которую не мог выполнить предыдущий конвейер.
Грис и Краус смогли быстро переобучить DeepLoc с изображениями, которые отличались от исходного обучающего набора, показывая, что его можно использовать для обработки данных из других лабораторий.
Они надеются, что другие специалисты в этой области, где просмотр изображений глазами все еще является нормой, воспримут их метод.
"Кто-нибудь, имеющий некоторый опыт программирования, может реализовать наш метод. Все, что им нужно будет сделать, это ввести набор для обучения изображений, который мы предоставили, и дополнить его своими собственными данными.
Чтобы переобучить DeepLoc и затем начать анализ, потребуется всего час или меньше », — говорит Грис.
Помимо обмена DeepLoc с исследовательским сообществом, Краус работает с Джимми Ба над коммерциализацией метода с помощью нового стартапа Phenomic AI.
Ба — аспирант пионера искусственного интеллекта Джеффри Хинтона, бывший профессор U of T и главный научный советник недавно созданного Института вектора. Их цель — анализировать данные на основе изображений клеток для фармацевтических компаний.
"На экране лекарств на основе изображений вы можете фактически выяснить, как лекарства влияют на разные клетки, основываясь на том, как они выглядят, а не на некоторых упрощенных параметрах, таких как живые / мертвые или размер клеток. Таким образом, вы можете извлечь гораздо больше информации о состоянии ячейки из этих экранов.
Мы надеемся сделать процесс открытия новых лекарств более точным, обнаружив более тонкие эффекты химических соединений », — говорит Краус.