科研打工人的福音！Nature报道这项新技术，你以后再也不用做荧光染色了
丁香学术
192
AI 虚拟染色，替代荧光标记识别细胞结构
如何标记细胞中的蛋白质？
荧光显微镜 / 激光共聚焦显微镜观察荧光染色的细胞是生命科学最常用的技术手段之一。
然而，由于可选颜色有限，能够同时观测的目标细胞结构也严重受限。另外一个问题就是，这些试剂价格昂贵且难用。此外，这些染色剂和激发光线对活细胞都是有害的，这就意味着成像行为本身就会损伤或杀死细胞，有可能偏离事实。
华盛顿西雅图艾伦脑科研究所的显微镜专家 Forrest Collman 和他的同事曾经试图用 3 种不同的颜色制作 3D 延时拍摄，最后呈现在他们面前的结果是所有的细胞都死了。
那么有没有不损害细胞的方式？利用投射白光（明视野显微镜）来进行细胞成像就不依赖于标记，因此避免了荧光显微镜的一些问题。但是，对比度的降低会无法辨别大多数细胞结构。
华盛顿西雅图艾伦细胞科学研究所副主任，定量生物学家 Susanne Rafelski 和她的同事试图解决这个难题，他们希望将以上两种技术的优势结合起来，既能够标记细胞中许多不同的结构，又能够做到实时 3D 成像。
2017 年，Rafelski 团队的机器学习专家 Gregory Johnson 提出了这样一种解决方案：使用 Deep Learning AI 模型，可以在未标记细胞的明视野图像中鉴定难以识别的结构。AI 虚拟染色，通过学习荧光标记的模型，在明视野成像中识别各种细胞结构。 该团队利用这个算法制作 3D 视频，展示了 DNA 结构，细胞核亚结构，线粒体结构以及细胞膜结构。
图片来源：Nature Methods（Chawin Ounkomol et al. 2018）
快速增长的领域
在过去的几年里，从事 AI 研究的科学家已经设计了多个能够识别细胞结构的模型。每一个模型都是用一对相同细胞的图像来训练的，一个是明视野图像，另一个是荧光标记图像。深度学习使用的计算机节点分层方式与人类大脑中神经元相似。首先，类神经网络中节点之间的连接是随机加权的，因此计算机只能猜测。但是通过训练，计算机会调整重量或参数，直到它开始得到正确结果。
加州大学旧金山分校和格莱斯顿研究所的神经学专家 Steven Finkbeiner 使用机器人显微镜追踪细胞长达一年之久。 到 2010 年初，他的团队每天积累的数据达到了兆兆字节。该团队的研究引起了谷歌研究人员的兴趣并进行合作研究。
图片来源：Cell（Eric M. Christiansen et al. 2018）
伊利诺伊大学香槟分校，物理学家 Gabriel Popescu 正在使用深度学习来回答一个最基本的显微镜问题： 细胞是活的还是死的？
这比听起来要难的多，因为测试需要用有毒的化学物质。Popescu 和他的同事们称他们的方法为 PICS（phase imaging with computational Specificity）。他们在活细胞中使用这种技术来识别细胞核和细胞质，然后每天计算细胞的重量。与获取图像并训练机器随后进行处理不同，PICS 的发生是无缝对接的。一旦捕获到白光图像，该模型只需要 65 毫秒就能预测荧光图像。
图片来源: Nature Communications（Kandel, M.E et al. 2020)
其他一些团队使用不同类型的机器学习。例如，美国天主教大学（Catholic University of America）的一个团队使用了一种叫做 GAN（Generative Adversarial Network）的类神经网络来识别相差光学显微镜图像中的细胞核。GAN 建立了两个对立的模型：生成者（generator）预测荧光图像，和鉴别者（discriminator）猜测它们的真假。当鉴别器有一半时间识别都是错误的时候，产生器则一定会做出合理的预测。
应用前景，药物研发
制药巨头阿斯利康的药理学家 Alan Sabirsh 研究脂肪细胞在疾病和药物代谢中发挥的作用就采用了这项技术。阿斯利康与瑞典国家人工智能应用中心合作开展了脂肪细胞成像挑战，要求挑战者们在未标记的显微照片中识别细胞核，细胞质和脂滴。
该团队同样使用 GAN 来识别脂滴，但是为了鉴定细胞核，他们采用了一种被称为 LUPI（learning using privileged information）的技术。这种技术在机器学习时给与额外的帮助。在这种情况下，研究小组使用更高阶的图像处理技术来识别标准训练图像中的细胞核。一旦这个模型被训练好后，它就可以仅根据光学显微镜的图像来预测细胞核。
虽然该团队认为这种方法还存在着不足，但 Sabirsh 认为已经足够完成治疗方法的开发工作，并开始在机器人显微镜实验中使用这些代码。随着几个原理证明相关项目的完成，这项技术已经超越了最初的第一阶段，并且有更多的团队开始对它进行测试。
AI 预测可信度讨论
麻省理工学院和哈佛大学布罗德研究所 Carpenter 对 AI 预测结构表现的更为谨慎，因为机器可能依赖于一种结构，而这种结构只能在一定的条件下预测另一种。她认为「在生物学中，我们寻找的通常是规则之外的情况」。
Popescu 认为，「至少现在，科学家们可以很好的利用标准荧光染色来确定模型的关键预测」。新墨西哥州立大学 Laura Boucheron 补充道，「寻求专家合作是个好主意」。 因为启动和运行这些需要有许多非常重要的计算机知识。
因为有些模型只使用少量的图像进行训练，所以 Boucheron 警告道，「更大的数据集是更好的选择，可能需要数百个，甚至数千个」。比利时根特大学 VIB 炎症研究中心的计算机学家 Yvan Saeys 认为，「如果你想让这个模型适用于多种细胞模型或者不同的显微镜设置，一定要在训练集中包含这些种类」。Boucheron 还表示，「大量的训练可能需要在拥有多个图形处理单元的超级计算机上花费数周的时间，但一旦完成，预测模型就可以在笔记本电脑，甚至手机上运行」。
对于很多研究人员来说，如果它意味着永远不会再为这个或那个特征染色，一次性投资是值得的。但是 Finkbeiner 认为，「如果你可以收集未标记细胞的图片，而且你已经有了训练过的算法，那么这些信息基本上都是免费的」。
本周推荐：
三句话读懂一篇 CNS，伟哥能延长寿命，昆虫偷窃植物基因，基因治疗预防肿瘤转移，...
参考文献：
1. Amber Dance et al. AI spots cell structures that humans can’t. Nature. Doi: https://doi.org/10.1038/d41586-021-00812-7.
2. Ounkomol, C et al. Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy. Nature Meth. Doi: 10.1038/s41592-018-0111-2.
3. Christiansen, E. M et al. In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images. Cell. DOI: 10.1016/j.cell.2018.03.040.
4. Kandel, M. E. et al. Phase imaging with computational specificity (PICS) for measuring dry mass changes in sub-cellular compartments. Nature Commun. DOI: https://doi.org/10.1038/s41467-020-20062-x.
5. Nguyen, T. C. et al. Robotic microscopy for everyone: the OpenFlexure microscope. J. Biomed. Opt. DOI：https://doi.org/10.1364/BOE.385729.
