自 08 年发现绿色荧光蛋白的三位科学家获得诺贝尔化学奖以来，绿色荧光蛋白标记法被广泛地应用于预测细胞病变，检测药物效果等领域。虽然，这种蛋白标记法给科学家追踪禁用词语细胞内蛋白质的活动轨迹提供了优良的技术条件，但其中也存在一些问题，比如科学家用肉眼分析图像以及手动处理数据的过程相当漫长，这给生物学细胞研究造成了不小的麻烦。 针对这一现象，Donnelly 研究中心的科学家开发出了一种深度学习算法DeepLoc，用来帮助科学家收集分析标记蛋白在细胞内活动的图像数据，以简化细胞内蛋白质追踪实验的流程。 研究人员表示 DeepLoc 算法是在计算机学习识别数据库中进行训练的，但是，与需要详细说明和明确指令的计算机视觉识别技术不同，DeepLoc 可以直接从图像数据中学习，从而完成图像数据的分析任务。 此前，该团队在 2015 年的时候曾经公布过一组生物细胞内标记蛋白位置的图像数据，这是迄今为止最完整的细胞内蛋白质位置显示图。当时，研究人员利用计算机视觉和机器学习技术，花了几个月才得到该显示图中图像数据的分析结果，而现在 DeepLoc 算法在几个小时就能完成分析任务，而且其得到的结果和之前显示的一致。 “目前，获取细胞图像数据只需要几天或者几个星期，而分析这些图像数据却需要几个月甚至几年的时间，DeepLoc深度学习算法将会使图像分析数据的时间缩减到与实验时间近乎一致的水平。”研究人员之一 Oren Kraus 这样说道。 除此之外，DeepLoc 算法还能够预测细胞中存在的微妙变化。目前已得到的测量结果显示占细胞内总蛋白数四分之三的酵母蛋白分布在 22 个不同的区域，利用该算法，科学家已经初步分析确定了 15 种不同类型的蛋白质在细胞中所代表的区域，根据这些被标记蛋白的位置可以推测出这个位置的细胞器类型，结合该区域内蛋白质数量的变化，可以预测出细胞是否存在病变的风险。另外，这种算法还能够对由于激素治疗而改变形状的细胞进行分类，这是之前的技术所不能达到的。 近日，该团队的研究人员在最新一期的《分子生物学》杂志的封面文章中还描述了DeepLoc算法处理其他实验图像数据的能力，反映了该算法还可能会有更广泛的应用。 “一些有编程经验的人就可以使用我们的算法，他们所要做的就是用自己得到的数据在我们提供的算法训练图像数据库中进行补充，只需要一个小时或者更短的时间就可以重新训练 DeepLoc 算法就可以获得处理新实验图像数据的能力，，然后开始相对应的分析工作。”该研究团队的成员 Benjamin Grys 这样解释道。 目前，Donnelly 研究中心正在与一家旨在为制药公司分析处理细胞图像数据的创业公司 Phenomic AI 合作，希望能加快该算法商业化的进程。
|
|
声明：文章版权归原作者所有 部分文章转自互联网 如有侵权请联系
[邮箱地址] 删除
|
注册
登录
