利用人工智能（AI）标记识别细胞的三维结构是一个非常有趣的研究课题，需要借助荧光显微技术和对生物学的深入研究学习和其他人工智能技术。艾伦细胞科学研究所专注于相关领域的研究，并取得了一些成果。细胞的3D动画。该研究所的定量细胞生物学家兼副主任SusanneRafelski和她的同事们想要标记和移动细胞中各种结构的3D图像。然而，这个愿望并不容易实现。苏珊·拉斐尔斯基。荧光显微镜虽然常用，但在这里遇到了麻烦。首先，很少有颜色可以完全标记细胞结构；二是试剂价格昂贵，使用麻烦；最后，染色和成像程序对活细胞有害。这就是投射白光（明场显微镜）派上用场的地方，使用这种技术的细胞成像是标签独立的，不会遇到与荧光显微镜相关的一些问题。据报道，Rafelski的团队将荧光显微镜和投射白光技术相结合，使用人工智能(AI)来预测明场图像上荧光标记的形状。该团队的研究已经进行了数年。深度学习发挥重要作用在识别细胞结构的过程中，深度学习发挥了重要作用。2017年，该团队提出利用深度学习来识别未标记细胞明场图像中难以发现的结构，并证实了该方法的可行性。具体来说，通过在未标记细胞的实验中使用深度学习算法，该团队创建了一个3D图像，显示细胞核、细胞膜和线粒体中的DNA和亚结构。基于不同细胞类型的透射光显微镜（明场）图像输入的3D荧光图像预测。来源：https://www.nature.com/articles/s41592-018-0111-2#Sec19分别使用全3D和2D模型时基于透射光（明场）图像的3DDNA预测。来源：https://www.nature.com/articles/s41592-018-0111-2这种直接从透射图像预测3D荧光的无标记方法可用于生成多结构、组合图像，以及基于基于电子显微镜(EM)输入来预测免疫荧光(IF)，从而扩大了潜在应用的范围。更多研究细节可以在论文《Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy》中找到。论文链接：https://www.biorxiv.org/content/10.1101/289504v4人工智能识别细胞的发展在过去的几年里，从事人工智能研究的科学家设计了多个系统来识别这些模式。该模型使用来自同一细胞的成对图像进行训练，图像分为一个明场和一个荧光标记。但这些模型在细节上有所不同：一些用于2D图像，一些用于3D图像，一些用于近似细胞结构，而另一些用于生成可能被误认为是真实显微照片的图像。来自加州大学旧金山分校和旧金山格拉德斯通研究所的神经科学家StevenFinkbeiner使用机器人显微镜跟踪细胞长达一年。在这项研究中，Finkbeiner发现使用深度学习可以发现看不见的细胞特征。Finkbeiner的团队训练该系统识别二维图像中的神经元，然后挑选出细胞核以确定给定细胞是否存活。他说，他研究的主要目的是向科学家表明，图像数据中的信息可能比人类意识到的要多。该小组称其技术为“计算机标记(ISL)”。ISL可以直接从未标记的固定样本或活样本的透射光图像中预测多个荧光标记。来源：https://ai.googleblog.com/2018/04/seeing-more-with-in-silico-labeling-of.html然而，这种方法无法识别运动神经元。这些预测只有在AI能够使用一些可见的线索时才有效。艾伦研究所的Collman、Johnson和同事使用一种不同类型的神经网络来解决Rafelski的问题，构建了一个名为U-Net的系统，该系统是为生物图像开发的。与Finkbeiner的方法不同，Allen的模型使用3D显微照片，研究人员可以常规使用该技术，例如，在染色质组织研究中识别核标记。来自透射光显微镜的三维荧光图像的无标记投影。资料来源：https://github.com/AllenCellModeling/pytorch_fnet/tree/release_1伊利诺伊大学香槟分校的物理学家GabrielPopescu正在使用深度学习来回答最基本的显微镜问题之一：细胞是活的还是死的？这很困难，因为测试需要有毒化学品。并说：这好比用刀量病人的脉搏。加布里埃尔·波佩斯库。Popescu及其同事将他们的方法称为PICS：具有计算特异性的相位成像。Popescu在活细胞中使用该技术来识别细胞核和细胞质，然后在几天内计算它们的质量。并表明这些信号准确地指示了细胞的生长和活力。PICS包含基于U-Net的软件和显微镜硬件技术，因此，PICS不是首先获取图像和训练机器，然后进行进一步处理，而是无缝完成。一旦用户捕捉到白光图像，该模型就会在短短65毫秒内提供预测的荧光对应物。此外，还有其他研究小组使用机器学习来识别细胞。例如，位于华盛顿特区的美国天主教大学的一个团队使用一种称为GAN的神经网络来识别相差光学显微镜图像中的细胞核。
