卡内基梅隆大学开发人工智能方法使用变压器模型研究人体细胞
卡内基梅隆大学计算机科学学院的研究人员开发了一种方法，利用人工智能来增强细胞的研究方式，可以帮助科学家更好地理解并最终治疗疾病。
器官或组织样本的图像包含数百万个细胞。虽然原位分析这些细胞是生物学研究的重要组成部分，但此类图像几乎不可能识别单个细胞、确定其功能并了解其组织。一种称为空间转录组学的技术通过将成像与量化每个细胞中基因水平的能力相结合，使这些细胞成为焦点，使研究人员能够详细研究几种关键的生物机制，从免疫细胞如何对抗癌症到细胞影响药物和衰老。
当前的许多空间转录组学平台仍然缺乏更仔细、更详细的分析所需的分辨率。这些技术通常将每次测量的细胞分组为几个到 50 个细胞的簇，这种分辨率对于具有良好代表性的大细胞来说可能足够，但对于小细胞或没有很好代表性的细胞来说却是有问题的。这些稀有细胞可能对所研究的疾病或病症最为关键。
在《自然方法》杂志上发表的一篇新 论文中， 计算生物学系的 研究人员陈浩、李东顺义和 Ziv Bar-Joseph 揭示了一种使用人工智能增强最新空间转录组学技术的方法。
卡内基梅隆大学的研究重点是更先进的技术，这些技术能够以更接近的尺度生成图像，从而实现亚细胞分辨率(或每个细胞的多次测量)。虽然这些技术解决了分辨率问题，但它们也带来了新的挑战，因为生成的图像过于特写，以至于它们只能捕获少数基因，而不是每张图像捕获 15 到 50 个细胞。前一个问题的逆转给识别各个成分和确定如何对这些测量进行分组以了解特定细胞带来了困难。它还模糊了大局。
CBD 研究人员开发的算法称为亚细胞空间转录组学细胞分割(SCS)，利用人工智能和先进的深度神经网络来自适应地识别细胞及其组成部分。SCS 使用转换器模型(类似于 ChatGPT 等大型语言模型所使用的模型)来从每个测量周围的区域收集信息。正如 ChatGPT 使用句子或段落的整个上下文来完成单词一样，SCS 方法通过合并周围单元格的信息来填充特定测量的缺失信息。
当应用于包含数十万个细胞的大脑和肝脏样本图像时，SCS 可以准确识别每个细胞的确切位置和类型。SCS 还发现了当前分析方法遗漏的几种细胞，例如可能在特定疾病或过程(包括衰老)中发挥关键作用的稀有细胞和小细胞。SCS 还提供了细胞内分子位置的信息，大大提高了研究人员研究细胞组织的分辨率。
FORE Systems 机器学习和计算教授Ziv Bar-Joseph表示：“利用人工智能的最新进展来帮助研究人体的能力为空间转录组学的多种下游应用打开了大门，以改善人类健康。” 卡耐基梅隆大学的生物学。包括人类生物分子图谱计划 (HuBMAP)在内的几个大型联盟已经在研究此类下游应用， 该联盟正在使用空间转录组学来创建详细的人体 3D 图谱。
“通过整合最先进的生物技术和人工智能，SCS 有助于解开有关细胞组织的几个悬而未决的问题，这些问题对于我们理解并最终治疗疾病的能力至关重要，”CBD 的莱恩博士后研究员陈浩补充道。
SCS 可在 GitHub上免费获取 ，并得到国立卫生研究院和国家科学基金会的资助。论文“ SCS：高分辨率空间转录组学的细胞分割”可在《自然方法》上找到。
版权声明：本文由用户上传，如有侵权请联系删除！