细胞生物学家，荧光显微镜是一个非常宝贵的工具。将染料与抗体融合或将编码荧光蛋白的基因插入活细胞DNA可以帮助科学家从其他难以穿透的显微镜图像中挑选出细胞器，细胞骨架元素和其他亚细胞结构的位置。但这种技术有其缺点。可以引入细胞的荧光标签的数量是有限的，并且诸如由反复暴露于光引起的光毒性损害的副作用可能妨碍研究人员进行活细胞成像的能力。

生物医学工程师格雷格·约翰逊于2016年加入西雅图艾伦细胞科学研究所时，这些问题就出现了。约翰逊，他在卡内基梅隆大学的博士工作专注于创建用于模拟细胞结构的计算工具(参见“Robert Murphy Bets”)自动驾驶仪器将破解生物学的神秘“在这里”，被聘为一组研究人员的一部分，致力于建立一个细胞的三维模型。根据Johnson的说法，该项目的一个主要目标，即“Allen Integrated Cell”，旨在开发一种工具，帮助可视化细胞在从一种状态移动到另一种状态时空间组织的变化 - 例如，从多能干细胞分化为心肌细胞。

在一部电影中，在一个活细胞中，以3D形式看到这部作品真的令人惊讶。

-Rick Horwitz，艾伦细胞科学研究所

“由于技术限制，我们只能同时看到细胞中的一些东西，”约翰逊说。“因此，我们想要找出方法，至少可以预测从我们已有的数据中组织更多结构。”

具体而言，他们希望开发一种方法来识别使用明场显微镜拍摄的图像中的活细胞成分。这种技术比荧光显微镜更简单，更便宜，但有一个主要缺点 - 它产生的图像只出现在灰色阴影中，使得细胞的内部结构难以破译。因此，科学家决定创建一种计算机算法，通过学习如何以荧光标签的方式检测和标记细胞结构来结合两种方法的优点，而不是在明场图像中。

为此，该团队转向深度学习，这是一种人工智能(AI)方法，算法学习识别数据集中的模式。他们训练卷积神经网络 - 一种通常用于分析和分类图像的深度学习方法 - 以识别几种细胞成分(包括核膜，细胞膜和线粒体)的明场和荧光显微镜图像之间的相似性。

在比较了许多对图像之后，该算法能够预测荧光标记将被标记的结构的位置，但是在活细胞的3-D明场图像中(Nat Methods，15：917-20,2018)。研究人员发现该工具非常准确：其预测的标签与许多细胞成分的实际荧光标记高度相关，包括核仁，核膜和微管。通过将该技术应用于一系列明场图像并合并输出，“我们[能够得到]所有这些细胞部分的漂亮延时移动并相互交互，”约翰逊告诉科学家。

艾伦细胞科学研究所(Allen Institute for Cell Science)的执行董事里克·霍维茨(Rick Horwitz)表示：“在一部电影中看到这部作品，在一个活细胞中，在3D中，真的令人惊讶。”他并没有直接参与该项目。“这真的有点神奇。”

Laura Boucheron是新墨西哥州立大学的一名电气工程师，他没有参与这项工作，但他在同一期“自然方法”杂志中共同撰写了相关的透视文章，他告诉科学家，结果“令人震惊地令人印象深刻。”她补充说，这些图像由该算法产生的“与使用荧光显微镜产生的那些”非常相似。“对于人类来说，明场图像在视觉上并不是特别有趣。Boucheron说，它们不像现有的结构那样清晰 - 就像荧光图像一样。“但根据结果，显然网络正在学习解释的信息(在明场图像中)。”

约翰逊指出，他的团队方法的一大优势在于，与普遍认为深度学习算法需要数千个图像学习相反，这个工具可以用几十个训练。“这是一个研究生可以在下午聚集的东西，”他补充道。在2-D电子显微镜图像中，研究人员还能够使用他们的深度学习算法来识别构成髓鞘的蛋白质的位置 - 神经元周围的保护鞘。

这项技术的一个很酷的事情是它可以如此广泛地应用。

-Steve Finkbeiner，Gladstone Institutes

尽管如此，该方法仍有一些局限性。根据约翰逊的说法，一个关键问题是该技术不适用于所有细胞结构，因为有些根本不会出现在使用某些形式的显微镜拍摄的图像中。例如，在他们最近的研究中，该算法很难识别明场图像中的一些结构，包括高尔基装置和桥粒，将细胞固定在一起的连接点。另一个限制是，虽然该工具需要相对较小的训练集，但是对来自一个显微镜的图像进行训练的模型可能不适用于从另一个显微镜收集的图像。

该团队正在研究该技术的一些潜在应用。Horwitz认为，除了能够更快，更便宜地进行成像研究之外，该工具最终可以应用于病理学，以帮助识别病态细胞或快速识别细胞结构在疾病状态中如何变化。

另一个小组，其中包括格拉德斯通研究所和加州大学旧金山分校的神经科学家Steve Finkbeiner和他在谷歌的同事去年开发了一种类似的基于AI的细胞标记技术(Cell，173：P792-803。 E19)。Finkbeiner说：“我认为这项技术的一个很酷的事情是，它可以如此广泛地应用，而且我认为我们对这些限制没有很好的感觉。”

Boucheron指出，她目前正在调查这些基于人工智能的方法在生物学和天文学中的图像分析的应用 - 另一个领域，研究人员依靠各种仪器来捕捉和分析自然现象。“我对天文数据进行了相当多的研究，尤其是太阳图像，”她解释道。“我一直在寻找几种方法，以便在用于成像太阳的一些不同[仪器]之间进行翻译。”

Horwitz说，在使用显微镜或望远镜的任何地方，将深度学习应用于图像分析的技术都很有用。这项最新研究“只是冰山一角”。