Машинное обучение предсказывает организацию человеческих клеток

Ученые из Института Аллена использовали машинное обучение, чтобы научить компьютеры видеть части клетки, которые человеческий глаз не может легко различить. Используя 3D-изображения флуоресцентно меченых клеток, исследователи обучили компьютеры находить структуры внутри живых клеток без флуоресцентных меток, используя только черно-белые изображения, полученные с помощью недорогой техники светлопольной микроскопии. Исследование, описывающее новый метод, опубликовано в журнале Nature Methods.

Флуоресцентная микроскопия, использующая светящиеся молекулярные метки, очень точна, но позволяет ученым видеть лишь несколько структур клетки одновременно. Человеческие клетки содержат более 20 000 различных белков, и их совместное рассмотрение могло бы раскрыть важную информацию как о здоровых, так и о больных клетках.

Новый метод позволяет наблюдать за большим набором структур, чем было возможно ранее, и исследовать организацию клетки, особенно живых клеток, новыми способами. Этот инструмент предсказания может помочь ученым понять, что идет не так в клетках при заболевании.

• Исследователи рака потенциально могут применять эту технику к архивным образцам биопсии опухолей, чтобы лучше понять, как клеточные структуры меняются по мере прогрессирования рака или ответа на лечение.
• Алгоритм может помочь регенеративной медицине, раскрывая, как клетки меняются в реальном времени при попытках вырастить органы или другие новые структуры в лаборатории.

Комбинация свободно доступного набора инструментов для предсказания и светлопольной микроскопии может снизить стоимость исследований по сравнению с флуоресцентной микроскопией, которая требует дорогого оборудования и обученных операторов. Флуоресцентные метки также подвержены выцветанию, а свет может повреждать живые клетки, что ограничивает возможность изучения динамики живых клеток. Подход на основе машинного обучения позволит ученым отслеживать точные изменения в клетках в течение длительного времени, проливая свет на такие процессы, как раннее развитие или прогрессирование болезни.

Для человеческого глаза клетки в светлопольном микроскопе выглядят как мешочки в оттенках серого. Ученый может найти края клетки и ядро, но не более того. Исследовательская группа использовала существующую технику машинного обучения — сверточную нейронную сеть — чтобы научить компьютеры распознавать более тонкие детали на этих изображениях, такие как митохондрии. Они протестировали 12 различных клеточных структур, и модель сгенерировала предсказанные изображения, которые совпали с флуоресцентно мечеными изображениями для большинства из них.

Возможности алгоритма удивили даже самих исследователей: машины могут видеть и учиться тому, что не могут люди, и делать это намного быстрее.

Эта техника также может предсказывать точную структурную информацию из изображений, полученных с помощью электронного микроскопа. Вычислительный подход тот же, но применения разные. Например, метод используется для совмещения изображений нейронов, полученных с помощью разных типов микроскопов, при картировании связей в мозге мыши.

Метод также используется в исследованиях для улучшения «силы зрения» микроскопов при изучении дрожжевых и млекопитающих клеток. Замена флуоресцентных микроскопов менее светоинтенсивными позволит исследователям ускорить работу, делать более точные измерения функции клеток и тканей и экономить деньги. Предоставляя эти нейронные сети в открытый доступ, Институт Аллена помогает демократизировать биологические и медицинские исследования.