Các nhà nghiên cứu ở Trung tâm Donnelly đã phát triển một thuật toán học sâu sắc có thể theo dõi các protein, giúp khám phá những gì làm cho tế bào khỏe mạnh và những gì sai trong bệnh.
 |
| Trung tâm Donnelly |
"Chúng ta có thể học được rất nhiều bằng cách nhìn vào hình ảnh của các tế bào: protein trông như thế nào trong điều kiện bình thường và trông chúng khác biệt trong các tế bào mang đột biến di truyền hay khi chúng ta để các tế bào phản ứng với thuốc hoặc các chất phản ứng hóa học khác? Những gì đang xảy ra với dữ liệu của họ nhưng phải mất rất nhiều thời gian ", Benjamin Grys, một sinh viên cao học về di truyền học phân tử và là đồng tác giả của nghiên cứu cho biết.
Được gọi là DeepLoc, thuật toán có thể nhận dạng các mẫu trong tế bào được tạo ra bởi các protein tốt hơn và nhanh hơn mắt người nhiều hoặc các phương pháp tiếp cận dựa trên thị giác máy tính trước đây. Trong câu chuyện bìa của số mới nhất của công nghệ sinh học Hệ thống phân tử , các nhóm do giáo sư Brenda Andrews và Charles Boone của Trung tâm Donnelly và Bộ Di truyền phân tử mô tả cũng có khả năng xử lý hình ảnh từ các phòng thí nghiệm khác, minh hoạ tiềm năng sử dụng rộng rãi hơn của nghiên cứu sâu .
Từ những chiếc xe tự lái đến những chiếc máy tính có thể chẩn đoán ung thư, trí tuệ nhân tạo (AI) đang hình thành thế giới theo những cách khó đoán trước, nhưng đối với các nhà sinh học tế bào, sự thay đổi này không thể đến sớm được. Nhờ kính hiển vi mới và kính hiển vi tự động, các nhà khoa học có thể thu thập dữ liệu nhanh hơn họ có thể phân tích.
Oren Kraus, đồng tác giả của nghiên cứu, cho biết: "Ngay bây giờ, chỉ cần vài ngày là để có được hình ảnh của tế bào và vài tháng sau đó để phân tích chúng." Nghiên cứu sâu sắc cuối cùng sẽ mang lại thời gian phân tích này đến cùng khoảng thời gian như các thí nghiệm. -tư vấn trên giấy và sinh viên sau đại học đồng giám sát bởi Andrews và Giáo sư Brendan Frey của Trung tâm Donnelly và Vụ Kỹ thuật Điện và Máy tính. Andrews, Boone và Frey cũng là những nghiên cứu viên cao cấp tại Viện Nghiên cứu Nâng cao Canada.
Tương tự như các loại AI khác, trong đó các máy tính học cách nhận dạng các mẫu dữ liệu, nghiên cứu sâu được đào tạo để nhận dạng các hình dạng khác nhau được tạo ra bởi các protein phát sáng - gắn nhãn hiệu huỳnh quang làm cho chúng có thể nhìn thấy được - trong tế bào. Tuy nhiên, không giống như tầm nhìn máy tính yêu cầu hướng dẫn chi tiết, nghiên cứu sâu học trực tiếp từ dữ liệu pixel hình ảnh, làm cho nó chính xác hơn và nhanh hơn.
Grys và Kraus đã huấn luyện nghiên cứu sâu trên dữ liệu đã được công bố trước đó của nhóm, cho thấy một khu vực trong tế bào bị chiếm đóng bởi hơn 4.000 protein nấm men - 3/4 tất cả các protein trong nấm men. Tập dữ liệu này vẫn là bản đồ hoàn chỉnh nhất cho thấy vị trí chính xác cho phần lớn các protein trong bất kỳ tế bào nào. Khi nó được phát hành lần đầu tiên vào năm 2015, phân tích đã được thực hiện với một tầm nhìn máy tính phức tạp và đường ống học tập máy tính mất nhiều tháng để hoàn thành. nghiên cứu sâu liên kết dữ liệu chỉ trong vài giờ.
nghiên cứu sâu đã có thể nhận ra sự khác biệt tinh tế giữa các hình ảnh tương tự. Phân tích ban đầu xác định 15 lớp protein khác nhau, mỗi nhóm đại diện cho các vùng lân cận khác nhau trong tế bào; nghiên cứu sâu xác định 22 lớp. Nó cũng có thể sắp xếp các tế bào có hình dạng thay đổi do điều trị hoóc môn, một nhiệm vụ mà đường ống dẫn trước đó không thể hoàn thành.
Grys và Kraus đã có thể nhanh chóng đào tạo nghiên cứu sâu bằng những hình ảnh khác với bộ đào tạo ban đầu, cho thấy nó có thể được sử dụng để xử lý dữ liệu từ các phòng thí nghiệm khác. Họ hy vọng rằng những người khác trong lĩnh vực, nơi nhìn vào hình ảnh bằng mắt vẫn là tiêu chuẩn, sẽ áp dụng phương pháp của họ.
"Một người có kinh nghiệm mã hóa có thể thực hiện phương pháp của chúng tôi.Tất cả họ phải làm là cấp dữ liệu trong tập huấn luyện hình ảnh mà chúng tôi đã cung cấp và bổ sung dữ liệu của riêng mình. Phân tích của bạn ", Grys nói.
Ngoài việc chia sẻ nghiên cứu sâu với cộng đồng nghiên cứu, Kraus đang làm việc với Jimmy Ba để thương mại hóa phương pháp thông qua một sự khởi đầu mới, Phenomic AI. Ba là một sinh viên tốt nghiệp của nhà tiên phong về AI, Geoffrey Hinton, một giáo sư U của T và là cố vấn trưởng của Viện mới được thành lập. Mục tiêu của họ là phân tích dữ liệu dựa trên hình ảnh của các công ty dược phẩm.
"Trong một màn hình ma túy dựa trên hình ảnh, bạn có thể tìm ra cách các loại thuốc ảnh hưởng đến các tế bào khác nhau dựa trên cách chúng trông thay vì một số thông số đơn giản như sống / chết hoặc kích cỡ tế bào.Bằng cách này bạn có thể trích xuất nhiều thông tin hơn về tế bào Chúng tôi hy vọng làm cho quy trình khám phá thuốc sớm hơn chính xác hơn bằng cách tìm ra các hiệu ứng tinh tế hơn của các hợp chất hóa học ", Kraus nói.
Nguồn truyện:
Tài liệu do Đại học Toronto cung cấp . Lưu ý: Nội dung có thể được chỉnh sửa cho phong cách và chiều dài.
Nên Nhớ: 
0 nhận xét:
Đăng nhận xét