他的人工智能工具，能够窥探活体细胞内部的奥秘

但在我们看到第一张来自无标记预测模型的图像时，其看起来真的非常真实。我们能够明确看到细胞中各个组成部分的分布位置。人们惊讶得合不拢嘴，然后我们就决定沿着这个方向探索下去。

问：眼见是否为实？

Johnson：是的，当然为实。实际上，我们使用明场图像作为指导的结果让人们感到震惊，因为在成像领域，明场图像主要充当一次性数据。当我们拍摄这些组织图像时，仅仅需要在上面照射正常的光线，目的是弄清楚显微镜是否正常聚焦在样品之上。然后，这些图像就被保存在磁盘上的某个地方，再也没人拿出来用了。相较于极为昂贵的荧光分子标记实验，明场图像的成本几乎可以忽略不计。如果能够利用这些昂贵的数据训练深度学习模型，而后借此预测所拍摄明场图像的细胞内部结构，将为我们节约下大量的时间与金钱。

问：您是否需要训练多个独立的深度学习模型，以识别细胞内的不同部分？这些模型在识别效果上是否确有差别？

Johnson：与细胞膜结合的细胞器，例如细胞核与线粒体，一般比较容易预测。其它非膜结合细胞器，例如微管或者高尔基体，则很难预测。究其原因，在于这些细胞器的密度与细胞内周边区域的密度差别不大。

问：那您是如何克服这些局限的？

Johnson：一般我们会利用偏振光或者其它光学性成像技巧以获得不同级别的图像内对比度，而不仅仅使用正常的透射光。

或者，如果我们当前的实验只能使用三个荧光标记，我会刻意避免利用它们标记系统已经擅长预测的结构，而是用在相对较难预测的结构身上——例如肌动蛋白与微管等细胞内结构。

问：我们观察到，您与艾伦研究所（the Allen Institute）的其他科学家可以不断改进这些模型，而“集成细胞”正是这项工作的后续成果。那么，艾伦研究所之外的科学家们也能享受由此带来的便利吗？ 

Johnson：可以的，这也是我们整个项目中的一大重要组成部分。当谷歌构建AlphaGo并击败全球最强的围棋选手时，这套系统已经拥有相当于人类200年的训练积累。除了亚马逊或者微软之外，没有其它机构能够拿出同样的资源进行如此充分的训练。我们希望其他人也能在自己的实验室中利用我们的细胞系与技术进行自己的研究——当然，他们不一定需要像我们这样设置非常精细的操作流程。

我们的努力方向之一，是在商业硬件上构建这类模型——也就是一台带有显卡的普通计算机。系统需要的训练图像，则可以在正常实验室中由普通研究人员轻松获取。我们所有的模型都只需要大约30张荧光标记细胞结构图像即可训练完成，一位研究生在一个下午时间里就能搞定。另外，完成这项工作的计算机大约只需要2000美元成本，就实验室设备而言这无疑相当便宜。如果真的需要构建一套实用性模型，这样的前提条件已经非常宽松了。

问：您如何看待这项技术进步？您希望细胞生物学家在AI的帮助下获得怎样的观察能力？

Johnson：我们想做的是拍摄一部关于细胞的影片，观察其内部结构之间的关系如何在预测层面发生变化。

（编辑：西安站长网）

【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!