AIは細胞構造の識別において人間にはできないことができる

[[390952]]

人工知能 (AI) を使用して細胞の 3D 構造にラベルを付けて識別することは、生物学における蛍光顕微鏡やディープラーニングなどの AI 技術の使用を必要とする非常に興味深い研究テーマです。アレン細胞科学研究所は関連分野の研究に重点を置き、一定の成果を上げています。

[[390953]]

細胞の 3D ダイナミックイメージング。

同研究所の定量細胞生物学者で副所長のスザンヌ・ラフェルスキ氏とその同僚は、細胞内のさまざまな構造にラベルを付け、3Dの動的画像を作成したいと考えています。しかし、この願いは簡単に叶えられるものではありません。

[[390954]]

スザンヌ・ラフェルスキ。

蛍光顕微鏡は一般的に使用されていますが、ここでは困難に直面します。まず、細胞構造を完全に標識するには利用できる色が少なすぎること、次に試薬が高価で使いにくいこと、そして最後に染色剤と画像化手順が生きた細胞に有害であることです。

この場合、投影された白色光（明視野顕微鏡）が役立ちます。この技術を使用した細胞イメージングは​​ラベル付けに依存せず、蛍光顕微鏡に関連するいくつかの問題に遭遇しないためです。

報道によると、ラフェルスキ氏のチームは蛍光顕微鏡と白色光投影技術を組み合わせ、人工知能（AI）を使って明視野画像上の蛍光マーカーの形状を予測した。チームの研究は数年にわたって継続されている。

ディープラーニングが重要な役割を果たす

ディープラーニングは細胞構造を識別するプロセスにおいて重要な役割を果たします。 2017年、研究チームは、ラベルのない細胞の明視野画像では検出が難しい構造を識別するためにディープラーニングを使用することを提案し、このアプローチの実現可能性を確認しました。

具体的には、研究チームはラベルのない細胞を使った実験でディープラーニングアルゴリズムを使用し、細胞核、細胞膜、ミトコンドリアの DNA と下部構造を示す 3D 画像を作成しました。

さまざまな細胞タイプの透過光顕微鏡（明視野）画像入力に基づく 3D 蛍光画像予測。画像出典: https://www.nature.com/articles/s41592-018-0111-2#Sec19

それぞれ完全な 3D モデルと 2D モデルを使用した場合の透過光 (明視野) 画像に基づく 3D DNA 予測。画像出典: https://www.nature.com/articles/s41592-018-0111-2

透過画像から直接 3D 蛍光を予測するこのラベルフリーのアプローチは、多重構造の組み合わせ画像を生成するために使用でき、電子顕微鏡 (EM) 入力から免疫蛍光 (IF) を予測することもできるため、潜在的なアプリケーションの範囲が広がります。

研究の詳細については、論文「透過光顕微鏡による3次元蛍光画像のラベルフリー予測」を参照してください。

論文リンク: https://www.biorxiv.org/content/10.1101/289504v4

AI細胞認識の開発

過去数年間にわたり、人工知能を研究する科学者たちは、これらのパターンを認識するためのいくつかのシステムを設計してきました。モデルは、同じ細胞からの画像のペアを使用してトレーニングされ、画像は 1 つの明視野と 1 つの蛍光マーカーに分割されました。しかし、モデルは細部が異なります。2D 画像用に設計されたものもあれば、3D 画像用に設計されたものもあり、細胞構造を近似するように設計されたものもあれば、実際の顕微鏡写真と間違われる可能性のある画像を生成するように設計されたものもあります。

カリフォルニア大学サンフランシスコ校とサンフランシスコのグラッドストーン研究所の神経科学者スティーブン・フィンクバイナー氏は、ロボット顕微鏡を使用して最大1年間細胞を追跡した。フィンクバイナー氏は研究の中で、ディープラーニングを使うことで目に見えない細胞の特徴を明らかにできることを発見した。

[[390955]]

フィンクバイナー氏のチームは、2D画像内のニューロンを識別し、細胞核を選び出して特定の細胞が生きているかどうかを判断するようにシステムを訓練した。同氏は、自身の研究の主な目的は、画像データには人間が認識しているよりも多くの情報が含まれている可能性があることを科学者に示すことだと語った。研究チームはこの技術を「インシリコ・ラベリング（ISL）」と呼んでいる。 ISL は、ラベル付けされていない固定サンプルまたは生きたサンプルの透過光画像からさまざまな蛍光マーカーを直接予測できます。

画像ソース: https://ai.googleblog.com/2018/04/seeing-more-with-in-silico-labeling-of.html

しかし、この方法では運動ニューロンを特定することはできません。これらの予測は、AI が目に見える手がかりを持っている場合にのみ機能します。

コルマン、ジョンソン、およびアレン研究所の同僚たちは、ラフェルスキーの問題を解決するために異なる種類のニューラル ネットワークを使用し、生物学的画像用に開発された U-Net と呼ばれるシステムを作成しました。フィンクバイナーのアプローチとは異なり、アレンのモデルは 3D 顕微鏡写真を処理することができ、これは研究者がクロマチン組織の研究で核マーカーを識別するために日常的に使用できる手法です。

透過光顕微鏡からの 3 次元蛍光画像のラベルフリー予測。画像ソース: https://github.com/AllenCellModeling/pytorch_fnet/tree/release_1

イリノイ大学アーバナ・シャンペーン校の物理学者ガブリエル・ポペスク氏は、ディープラーニングを使用して、顕微鏡に関する最も基本的な疑問の 1 つである「細胞は生きているか死んでいるか」に答えようとしています。テストには有毒化学物質が必要なので、これはさらに困難です。彼はこう言った。「これはナイフで患者の脈を測るようなものだ。」

[[390956]]

ガブリエル・ポペスク。

Popescu 氏とその同僚は、このアプローチを PICS (Phase Imaging with Computational Specificity) と呼んでいます。ポペスク氏はこの技術を生きた細胞に応用し、核と細胞質を特定し、数日かけてそれらの質量を計算した。そして、これらの信号が細胞の成長と生存率を正確に示していることが示されました。

PICS には U-Net ベースのソフトウェアと顕微鏡のハードウェア テクノロジが組み込まれているため、最初に画像を取得してマシンをトレーニングし、その後さらに処理を実行するのではなく、PICS がシームレスに実行します。ユーザーが白色光の画像を撮影すると、モデルはわずか 65 ミリ秒で予測された蛍光画像を提供します。

さらに、他の研究グループも機械学習を使用して細胞を識別しています。たとえば、ワシントン D.C. にあるカトリック大学の研究チームは、GAN と呼ばれるニューラル ネットワークの一種を使用して、位相差光学顕微鏡画像内の細胞核を識別しました。