不需數年 只要幾小時 機器學習能快速揭示細胞內部結構

　　科技日報北京10月10日電 (記者張夢然)借由高功率顯微鏡和機器學習，時機美國科學家研發出一種新算法，器學可在整個細胞的習能細胞超高分辨率圖像中自動識別大約30種不同類型的細胞器和其他結構。相關論文發表在最新一期的快速《自然》雜志上。

　　領導該COSEM(電子顯微鏡下細胞分割)項目團隊的揭示結構奧布蕾·魏格爾說，這些圖像中的內部細節幾乎不可能在整個細胞中手動解析。僅一個細胞的時機數據就由數萬張圖像組成，通過這些圖像追蹤該細胞的器學所有細胞器，需要一個人花60多年時間。習能細胞但是快速新算法可在數小時內繪制出整個細胞。

　　除了《自然》上兩篇文章外，揭示結構研究團隊還發布了一個數據門戶“開放細胞器”，內部任何人都可通過該門戶訪問他們創建的時機數據集和工具。這些資源對于研究細胞器如何保持細胞運行非常寶貴，器學過去科學家們并不清楚不同細胞器和結構怎樣排列——它們如何相互接觸及占據多少空間。習能細胞現在，這些隱藏的關系首次變得可見。

　　在過去十年中，研究團隊使用高功率電子顯微鏡從多種細胞中收集了大量數據，包括哺乳動物細胞。

　　最新的機器學習工具可在電子顯微鏡數據中精確定位突觸，即神經元之間的連接。研究人員調整了算法來繪制或分割細胞中的細胞器，該分割算法為圖像中的每個像素分配一個數字，這個數字反映了像素離最近的突觸有多遠，算法使用這些數字來識別和標記圖像中的所有突觸。COSEM算法的工作方式與之類似，但維度更多。研究人員根據每個像素與30種不同類型的細胞器和結構中的每一種的距離對每個像素進行分類。然后，算法整合所有這些數字來預測細胞器的位置。

　　研究人員表示，利用這些數字，該算法還能判斷特定的數字組合是否合理。例如，一個像素不能既位于內質網內，同時又位于線粒體內。

　　為了回答諸如細胞中有多少線粒體或它們的表面積是多少等問題，研究團隊構建的算法結合了有關細胞器特征的先驗知識。經過兩年的工作，COSEM研究團隊最終找到了一套算法，可為迄今為止收集的數據生成良好的結果。

　　目前，研究團隊正在將成像提升到更高的細節水平，并進一步優化工具和資源，創建一個更為廣泛的細胞標注數據庫和更多種細胞和組織的詳細圖像。這些成果將支持未來的新研究領域——4D細胞生理學，以了解細胞在構成有機體的不同組織中的相互作用。

　　總編輯圈點

　　工欲善其事，必先利其器。在科研領域尤其如此：無論是望遠鏡之于天文學，還是對撞機之于物理學，亦或是顯微鏡之于生物學，科學研究的不斷進步，總是伴隨著工具和方法的迭代升級。甚至不少諾貝爾獎的誕生，也直接來自于科研工具或方法的重大突破或進展，或者與其息息相關。所以，科研工具或方法類的研究進展值得引起重視，它們很有可能為整個領域的研究提供強大助力。