在神经科学研究的早期，科学家们苦苦地染上了脑细胞，并用手拿着他们在显微镜下看到的东西。快进到2018年，机器可能会学习如何完成这项工作。根据Cell的一项新研究，可能会教授机器如何挑选神经元和其他细胞中尚未染色或经历过其他破坏性处理的细胞的特征。该研究部分由美国国立卫生研究院的部分国立神经疾病与中风研究所（NINDS）资助。
“这种方法有可能彻底改变生物医学研究，”NINDS项目总监Margaret Sutherland博士说。“研究人员正在生成大量的数据，对于神经科学家来说，这意味着培训机器来帮助分析这些信息可以帮助加快我们对大脑细胞如何放在一起以及与药物开发相关应用的理解。”
神经元细胞的一种培养物或肉眼看起来与肉眼看起来一致，并且其中不同的单个细胞不能被看到。自十九世纪末期开始，神经科学家Santiago Ramon y Cajal和Camillo Golgi开创了神经系统最早的地图，科学家们一直在开发染料和染色方法来帮助区分大脑中的结构，包括不同类型的细胞和他们的健康状况。然而，这些方法中的许多方法都涉及苛刻的化学物质，其在固定或冻结处于非自然状态的细胞或在应用多种污渍后损坏活细胞。传统技术也限制了科学家可以观察到的细节。
由旧金山格拉德斯通研究所主任兼高级研究员，医学博士，医学博士，Steven Finkbeiner领导的研究小组以及旧金山加利福尼亚大学神经学和生理学教授探讨了计算机是否可以接受培训以识别结构在未染色的细胞中。
“每天我们的实验室一直在创造数百个图像，远远超过我们可以看到和分析自己的能力。有一天，一些来自Google的研究人员敲开了我们的大门，看看他们是否可以帮助我们，”Finkbeiner博士说，该研究的高级作者。
研究人员使用了一种称为深度学习的方法，该方法依赖于机器学习的原理，机器学习是一种人工智能，机器可以从数据中学习并做出决定。面部识别软件是机器学习的一个例子。
使用深度学习，Finkbeiner博士的团队训练了一个计算机程序，通过显示染色和未染色的图像来分析脑细胞。然后，为了测试该程序是否学到了什么，研究人员用新的未标记图像对其进行了挑战。
第一轮培训结束后，该程序通过学习细胞核，发现包含遗传信息的圆形结构并充当细胞的指挥中心，从而确定细胞在培养皿中的位置。在另外的实验中，Finkbeiner博士的研究小组增加了该程序寻找的功能的复杂性，并成功地训练了它从活细胞中区分死细胞，以及识别特定类型的脑细胞。此外，该计划学会区分轴突和树突，这是神经元上两种特定类型的延伸。根据结果，该计划成功预测了未标记组织中的结构。
“深度学习采用一种算法或一组规则，并将其分层结构化，从图像的各个部分中识别出简单的特征，然后将这些信息传递给识别日益复杂的特征的其他图层，例如图案和结构。让人想起我们的大脑如何处理视觉信息，“Finkbeiner博士说。“深度学习方法能够发现比人眼所能看到的更多的信息。”
Finkbeiner博士及其团队指出，使用这种技术的主要缺点是训练数据集需要非常大，理想情况下大约有1.5万个图像。另外，过度训练程序可能会有风险，它们变得如此专业化，它们只能识别特定图像集合中的结构或以特定方式生成的图像，而不会预测更一般的图像，这可能会限制这项技术的使用。
Finkbeiner博士及其同事计划将这些方法应用于以疾病为中心的研究。
Finkbeiner博士说：“现在我们已经证明了这项技术的可行性，我们可以开始在疾病研究中使用它。深度学习可能会发现细胞中的某些物质，可以帮助预测临床结果并帮助我们筛查潜在的治疗方法。需要更多的研究来改进技术并使其更加广泛地可用。
（选自《医药》（适用版））