立即注册找回密码

QQ登录

只需一步,快速开始

微信登录

微信扫一扫,快速登录

手机动态码快速登录

手机号快速注册登录

搜索

图文播报

查看: 177|回复: 0

[分享] 和免疫荧光标记说拜拜 | 谷歌Cell论文:深度学习模型预测荧光位置

[复制链接]
发表于 2025-2-20 08:18 | 显示全部楼层 |阅读模式

登陆有奖并可浏览互动!

您需要 登录 才可以下载或查看,没有账号?立即注册 微信登录 手机动态码快速登录

×
Root 发自 凹非寺
量子位 出品 | 公众号 QbitAI
在生物医学的研究里,显微镜可以帮助科学家们观察定位细胞水平或分子水平的物质。
常用的相差显微镜观察法,是从生物组织的一侧给光,对细胞损伤小,且材料准备过程非常简单。
可如果想要知道细胞核确切的位置,或者分析神经元树突的数量或要看细胞是死是活,此前的办法是必须要结合免疫荧光标记法,然后用荧光显微镜观察。



如果不用荧光标记,就能看懂小图1-4分别代表啥的话,算你厉害



△ 蓝色,细胞核;红色,轴突;绿色,树突



1,神经元聚团;2,突触;3,轴突;4,只剩两神经元活着,左下那个挂了(对比上个小图4看)

但做过免疫荧光标记的同学都知道。拿到一张好的荧光照片,一路上有多么不容易。
实验材料养大养好拿去切片这些体力上的苦就不说了。
上一抗二抗还有封闭,每一步都是坑。即使十万分小心走完了前面所有的步骤,到最后上荧光显微镜的时候还得面临光漂白的囧况。
这还只是固定的片子。荧光标记还有个不可忽视的缺陷,染料有毒。活体细胞上了荧光之后活不了多久,所以那些时间跨度很长的生理实验就别想了。
怎么样清晰定位目标物,同时还能绕开免疫荧光标记的缺点呢?
鱼和熊掌可以兼得

今天,谷歌科学加速团队(Google Accelerated Science team)在Cell上发表了一篇In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images论文。样本无需荧光染色,用深度学习模型就可预测出目标物的位置。


不仅省去了免疫荧光繁琐的过程,还不用担心背景噪音、不同荧光染料串色的问题。刚切完脑片(或培养好的其他组织细胞),就可以直接放相差显微镜上拍片了,剩下的交给算法模型就好。
模型训练及工作原理

和所有模型一样,这个预测荧光标记的模型需要获得靠谱的训练集。
因此,谷歌科学加速团队联合了哈佛Rubin实验室以及格拉德斯通研究所(Gladstone Institutes),收集了三种细胞(多功能干细胞诱导的人类运动神经元、人类乳腺癌细胞、大鼠大脑皮层组织培养细胞)在三种光学显微镜(明场、相差、微分干涉相差)下的图像数据。
下图顶行的细胞三维信息,重构自二维图像数据的叠影。不同的level表示不同的荧光标记物,马赛克的位置表明该实验样品没有进行此类荧光标记。



经过此数据集(图1A)的训练,模型(图1C)就可以直接把没有荧光标记的相差显微图像(图1 D)处理成带荧光标记的图像了,预测出特定结构或蛋白的位置。


这个预测标记算法还具备迁移学习能力,只要少量的训练数据,马上可以获得新型荧光标记的预测能力。深受免疫荧光标记之苦的胖友,可以前往GitHub获取该模型的代码和全部数据集。
这下细胞分子生物学出结果发paper的效率要飞起来了。
最后,附论文地址:
http://www.cell.com/cell/fulltext/S0092-8674(18)30364-730364-7)
及荧光标记预测模型代码:
https://github.com/google/in-silico-labeling
你可能感兴趣
FDA批准首个无需人类医生指导的AI,可独立诊断眼科疾病
可预测死亡的AI,这套系统能有效拯救生命
谷歌与Verily发布新研究,可通过视网膜图像用AI检测心脏病
用深度学习检测冠心病:不依赖血管造影且成本下降25%

欢迎大家关注我们的专栏:量子位 - 知乎专栏
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态

原文地址:https://zhuanlan.zhihu.com/p/35638358
楼主热帖
回复

使用道具 举报

发表回复

您需要登录后才可以回帖 登录 | 立即注册 微信登录 手机动态码快速登录

本版积分规则

关闭

官方推荐 上一条 /3 下一条

快速回复 返回列表 客服中心 搜索 官方QQ群 洽谈合作
快速回复返回顶部 返回列表