DeepLoc: глубокое обучение помогает ученым отслеживать внутренние части клетки

Исследователи из Donnelly Centre разработали алгоритм глубокого обучения DeepLoc, способный отслеживать белки. Это помогает выяснить, что делает клетки здоровыми и что идет не так при заболеваниях.

Алгоритм может распознавать паттерны в клетке, создаваемые белками, лучше и намного быстрее, чем человеческий глаз или предыдущие подходы на основе компьютерного зрения. Об этом сообщается в главной статье последнего выпуска журнала Molecular Systems Biology.

Проблема анализа данных: Благодаря новым полностью автоматизированным микроскопам ученые могут собирать огромные массивы данных быстрее, чем анализировать их. "Прямо сейчас получение изображений клеток занимает дни или недели, а их анализ — месяцы или годы. Глубокое обучение в конечном итоге сократит время анализа до масштабов времени проведения экспериментов", — говорит Орен Краус, ведущий соавтор статьи.

Как работает DeepLoc: Подобно другим типам ИИ, DeepLoc был обучен распознавать разнообразные формы, создаваемые светящимися белками (меченными флуоресцентной меткой) в клетках. В отличие от компьютерного зрения, требующего детальных инструкций, DeepLoc обучается непосредственно на данных пикселей изображения, что делает его более точным и быстрым.

Обучение и тестирование: Алгоритм был обучен на ранее опубликованных данных команды, показывающих локализацию более 4000 белков дрожжей — трех четвертей всех белков в дрожжевой клетке. Этот набор данных остается наиболее полной картой, показывающей точное положение подавляющего большинства белков в любой клетке. Первоначальный анализ 2015 года с использованием сложного конвейера компьютерного зрения и машинного обучения занял месяцы. DeepLoc обработал данные за несколько часов.

Преимущества алгоритма:

• DeepLoc смог обнаружить тонкие различия между похожими изображениями.
• Первоначальный анализ выявил 15 различных классов белков, представляющих отдельные "районы" в клетке; DeepLoc идентифицировал 22 класса.
• Алгоритм смог отсортировать клетки, форма которых изменилась под действием гормонального лечения, — задача, с которой не справился предыдущий конвейер.

Широкое применение: Исследователи смогли быстро дообучить DeepLoc на изображениях, отличающихся от исходного набора для обучения, что демонстрирует его потенциал для обработки данных из других лабораторий. Они надеются, что их метод будет принят в научном сообществе, где просмотр изображений глазами все еще является нормой.

Коммерциализация: Помимо распространения DeepLoc в исследовательском сообществе, Краус работает над коммерциализацией метода через стартап Phenomic AI. Их цель — анализировать данные на основе изображений клеток для фармацевтических компаний, чтобы сделать ранний процесс открытия лекарств более точным, находя более тонкие эффекты химических соединений.