房地产网站建设内容,友情链接多少钱一个,盘县网站建设,微网站与微信网站来源#xff1a;ScienceAI编辑#xff1a;白菜叶一立方毫米听起来并不多。但在人脑中#xff0c;这一体积的组织包含约 50,000 条由 1.34 亿个突触连接的神经「线路」。Jeff Lichtman 想追踪所有这些。为了生成原始数据#xff0c;他使用了一种称为串行薄层电子显微镜的协议…来源ScienceAI编辑白菜叶一立方毫米听起来并不多。但在人脑中这一体积的组织包含约 50,000 条由 1.34 亿个突触连接的神经「线路」。Jeff Lichtman 想追踪所有这些。为了生成原始数据他使用了一种称为串行薄层电子显微镜的协议在 11 个月内对数千条组织进行了成像。但该数据集非常庞大达到 1.4 PB相当于大约 200 万张 CD-ROM对于研究人员来说他们自己无法处理。「人类根本不可能手动追踪所有的线路。」马萨诸塞州剑桥市哈佛大学的分子和细胞生物学家 Lichtman 说「地球上没有足够的人来真正有效地完成这项工作。」这是连接组学研究大脑的结构和功能连接以及其他生物科学中的常见问题其中显微镜的进步正在创造大量的成像数据。但是在人力资源失败的地方计算机可以介入尤其是经过优化以从大型数据集中梳理出模式的深度学习算法。「在过去的几年里我们确实经历了深度学习工具寒武纪大爆发般的爆炸式增长。」麻省剑桥市麻省理工学院和哈佛大学布罗德研究所的计算生物学家 Beth Cimini 说。深度学习是一种人工智能AI技术它依赖于受大脑中神经元互连方式启发的多层人工神经网络。由于它们基于黑盒神经网络这些算法有其局限性。其中包括依赖大量数据集来教会网络如何识别感兴趣的特征以及有时难以理解的生成结果的方式。但是一系列快速增长的开源和基于 Web 的工具使入门变得比以往任何时候都更容易。以下是深度学习对生物图像分析产生深远影响的五个领域。大规模连接组学深度学习使研究人员能够从果蝇、老鼠甚至人类中生成越来越复杂的连接组。这些数据可以帮助神经科学家了解大脑是如何工作的以及它的结构在发育和疾病过程中是如何变化的。但是神经连接并不容易映射。2018 年Lichtman 与位于加利福尼亚州山景城的 Google Connectomics 负责人 Viren Jain 联手后者正在为他的团队的 AI 算法寻找合适的挑战。「连接组学中的图像分析任务非常困难。」Jain 说「你必须能够远距离追踪这些细线、细胞的轴突和树突而传统的图像处理方法犯了很多错误以至于它们基本上对这项任务毫无用处。」这些线可以比一微米更细并延伸到数百微米甚至毫米的组织。深度学习算法提供了一种自动分析连接组学数据的方法同时仍能实现高精度。在深度学习中研究人员可以使用包含感兴趣特征的注释数据集来训练复杂的计算模型以便他们可以快速识别其他数据中的相同特征。「当你进行深度学习时你会说『好吧我只是举个例子你把一切都弄清楚』。」德国海德堡欧洲分子生物学实验室的计算机科学家 Anna Kreshuk 说。但即使使用深度学习Lichtman 和 Jain 也有一项艰巨的任务是试图绘制他们的人类皮层片段。仅对 5,000 个左右极薄的组织切片进行成像就需要 326 天。两名研究人员花了大约 100 小时手动注释图像并跟踪神经元以创建「基本事实」数据集来训练算法这种方法称为监督机器学习。然后经过训练的算法自动将图像拼接在一起并识别神经元和突触以生成最终的连接组。Jain 的团队带来了大量的计算资源来解决这个问题包括数千个张量处理单元TPU这是谷歌内部专门为神经网络机器学习构建的图形处理单元GPU。Jain 说在几个月内处理大约 100 万 TPU 小时所需的数据之后人类志愿者在协作过程中校对和纠正连接组「有点像 Google Docs」Lichtman 说。他们说最终结果是在任何物种中以这种详细程度重建的最大此类数据集。尽管如此它只代表了人类大脑的 0.0001%。但随着算法和硬件的改进研究人员应该能够绘制大脑的更大部分同时具有发现更多细胞特征的分辨率例如细胞器甚至蛋白质。「在某些方面。」Jain 说「我们只是触及了可能从这些图像中提取的东西的表面。」虚拟组织学组织学是医学中的关键工具用于基于化学或分子染色诊断疾病。但这很费力而且这个过程可能需要几天甚至几周才能完成。活检被切成薄片并染色以显示细胞和亚细胞特征。然后病理学家阅读载玻片并解释结果。Aydogan Ozcan 认为他可以加快这一进程。加利福尼亚大学洛杉矶分校的电气和计算机工程师 Ozcan 训练了一个定制的深度学习模型通过向其展示同一切片的数万个未染色和染色版本的示例以计算方式对组织切片进行染色并让模型计算出它们的不同之处。虚拟染色几乎是瞬间完成的经过董事会认证的病理学家发现几乎不可能将生成的图像与常规染色的图像区分开来。Ozcan 还表明该算法可以在几秒钟内复制乳腺癌生物标志物 HER2 的分子染色这一过程在组织学实验室中通常需要至少 24 小时。由三名获得董事会认证的乳腺病理学家组成的小组将这些图像评为与传统免疫组织化学染色具有可比性的质量和准确性。旨在将虚拟染色商业化的 Ozcan 希望在药物开发中看到应用。他表示通过消除对有毒染料和昂贵染色设备的需求该技术还可以增加全球组织学服务的可及性。细胞发现如果你想从蜂窝图像中提取数据你必须知道细胞在图像中的实际位置。研究人员通常通过在显微镜下观察细胞或在软件中逐个图像地勾勒出它们来执行这个称为细胞分割的过程。「最能描述人们一直在做的事情的词是『辛苦』。」帕萨迪纳加州理工学院的计算生物学家 Morgan Schwartz 说他正在开发用于生物图像分析的深度学习工具。但随着成像数据集变得越来越大这些艰苦的方法正在碰壁。「如果不使过程自动化你就无法分析其中一些实验。」Schwartz 的研究生顾问、生物工程师 David Van Valen 创建了一套 AI 模型可在 deepcell.org 上获得用于计数和分析活细胞和保存组织图像中的细胞和其他特征。Van Valen 与包括加州斯坦福大学癌症生物学家 Noah Greenwald 在内的合作者开发了一种名为 Mesmer 的深度学习模型可以快速准确地检测不同组织类型的细胞和细胞核。「如果你有需要处理的数据现在你可以上传它们下载结果并在门户网站或使用其他软件包中将它们可视化。」Van Valen 说。根据 Greenwald 的说法研究人员可以利用这些信息来区分癌组织和非癌组织并寻找治疗前后的差异。「你可以查看基于成像的变化以更好地了解为什么一些患者有反应或没有反应或者识别肿瘤的亚型。」他说。映射蛋白质定位人类蛋白质图谱项目利用了深度学习的另一个应用细胞内定位。「几十年来我们一直在生成数百万张图像概述人体细胞和组织中的蛋白质表达。」斯坦福大学生物工程师兼该项目的联合经理 Emma Lundberg 说。起初该项目手动注释了这些图像。但由于这种方法不能长期持续Lundberg 转向了人工智能。Lundberg 首先将深度学习与公民科学相结合让志愿者在玩大型多人游戏 EVE Online 的同时对数百万张图像进行注释。在过去的几年里她转向了一个众包的仅限人工智能的解决方案发起了 Kaggle 挑战——科学家和人工智能爱好者竞争完成各种计算任务——37,000 美元和 25,000 美元用于设计有监督的机器学习模型来注释蛋白质图谱图像。「之后的 Kaggle 挑战让游戏玩家大吃一惊。」Lundberg 说。获奖模型比 Lundberg 之前在蛋白质定位模式的多标签分类方面所做的努力高出约 20%并且可以在细胞系中推广。她补充说他们管理了一些以前没有发表过的模型做过的事情那就是准确分类存在于多个细胞位置的蛋白质。「我们已经证明一半的人类蛋白质定位于多个细胞区室。」Lundberg 说。位置很重要因为相同的蛋白质在不同的地方可能表现不同。「了解一种蛋白质是在细胞核中还是在线粒体中有助于了解有关其功能的许多信息。」追踪动物行为Mackenzie Mathis 是日内瓦洛桑瑞士联邦理工学院校园生物技术中心的神经科学家长期以来一直对大脑如何驱动行为感兴趣。她开发了一个名为 DeepLabCut 的程序使神经科学家能够从视频中跟踪动物的姿势和精细动作将「猫视频」和其他动物的记录转化为数据。DeepLabCut 提供了一个图形用户界面因此科学家可以通过单击按钮上传和标记他们的视频并训练深度学习模型。4 月Mathis 的团队扩展了该软件以同时估计多种动物的姿势这通常对人类和 AI 来说都是具有挑战性的。研究人员将多动物 DeepLabCut 应用到狨猴身上发现当这些动物靠近时它们的身体是对齐的而且它们倾向于朝相似的方向看而当它们分开时它们往往会面对面。「这是一个很好的例子姿势实际上很重要。」Mathis 说「如果你想了解两只动物是如何相互作用、如何相互观察或观察世界的。」相关报道https://www.nature.com/articles/d41586-022-02964-6未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市大脑研究计划构建互联网城市大脑技术和企业图谱为提升企业行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
