수작업에서 산업혁명까지! Nature 기사: 딥러닝으로 혁명을 일으킨 생물학적 이미지 분석의 5가지 영역

1입방밀리미터는 크게 들리지 않고 참깨만한 크기이지만, 인간의 뇌에서는 이 작은 공간이 1억 3400만 개의 시냅스(신경선)로 연결된 약 50,000개의 신경선을 수용할 수 있습니다.

원시 데이터를 생성하기 위해 생명과학자들은 직렬 초박절편 전자현미경을 사용하여 11개월 내에 수천 개의 조직 조각을 이미지화해야 했습니다.

그리고 마침내 얻은 데이터의 양은 연구원들에게는 그야말로 천문학적인 수치인 1.4페타바이트(즉, 1400TB, 약 200만 장의 CD-ROM 용량에 해당)에 이르렀습니다.

하버드 대학의 분자 및 세포 생물학자인 Jeff Lichtman은 이것이 순전히 손으로 이루어진다면 인간이 모든 신경선을 수동으로 추적하는 것은 단순히 불가능하다고 말했습니다. 지구상에는 사람도 충분하지 않습니다. 이 일을 정말 효과적으로 수행할 수 있는 사람.

현미경 기술의 발전으로 많은 양의 영상 데이터가 생겨났지만, 데이터의 양이 너무 많고 인력도 부족합니다. Connectomics(구조를 연구하는 학문인 Connectomics)도 마찬가지입니다. 및 뇌의 기능적 연결) 및 현장 주제의 기타 생물학적 일반적인 현상.

하지만 컴퓨터 과학의 사명은 바로 이런 인력 부족 문제를 해결하는 것입니다. 특히 대규모 데이터 세트에서 데이터 패턴을 채굴할 수 있는 최적화된 딥 러닝 알고리즘을 해결하는 것입니다.

MIT 브로드 연구소와 케임브리지 하버드 대학교의 전산 생물학자인 베스 치미니(Beth Cimini)는 지난 몇 년 동안 딥 러닝이 생물학 분야를 발전시키는 데 큰 역할을 했으며 많은 연구 도구를 개발했다고 말했습니다. .

다음은 딥러닝이 가져온 변화를 네이처 에디터들이 정리한 생물학적 영상 분석의 5대 영역입니다.

대규모 커넥토믹스

심층 학습을 통해 연구자들은 초파리, 생쥐, 심지어 인간으로부터 점점 더 복잡한 커넥텀을 생성할 수 있습니다.

이러한 데이터는 신경과학자들이 뇌의 작동 방식과 발달 및 질병 중 뇌 구조의 변화를 이해하는 데 도움이 될 수 있지만 신경 연결은 지도로 작성하기가 쉽지 않습니다.

2018년 Lichtman은 팀에 필요한 인공 지능 알고리즘에 대한 솔루션을 찾기 위해 캘리포니아주 마운틴뷰에 있는 Google의 connectomics 책임자인 Viren Jain과 힘을 합쳤습니다.

커넥토믹스의 이미지 분석 작업은 실제로 매우 어렵습니다. 이러한 얇은 선, 세포의 축삭 및 수상돌기를 장거리에 걸쳐 추적할 수 있어야 하며, 전통적인 이미지 처리 방법에는 많은 것들이 있을 것입니다. 이 작업에 오류가 발생하면 기본적으로 이 작업에는 쓸모가 없습니다 .

이 신경 가닥은 1 마이크론보다 얇아서 수백 마이크론으로 확장되거나 심지어 밀리미터 크기의 조직에 걸쳐 확장될 수도 있습니다.

그리고 딥 러닝 알고리즘은 커넥토믹스 데이터를 자동으로 분석할 수 있을 뿐만 아니라 높은 정확성을 유지할 수 있습니다.

연구원은 관심 있는 특징이 포함된 주석이 달린 데이터 세트를 사용하여 다른 데이터의 동일한 특징을 빠르게 식별할 수 있는 복잡한 계산 모델을 훈련할 수 있습니다.

유럽 분자생물학 연구소의 컴퓨터 과학자인 Anna Kreshuk는 딥러닝 알고리즘을 사용하는 과정이 "예제를 제시하는 것"과 유사하다고 믿습니다.

그러나 Lichtman과 Jain의 팀은 딥 러닝을 사용하더라도 인간 대뇌 피질의 부분을 매핑하는 어려운 작업을 수행했습니다.

데이터 수집 단계에서는 5,000개 이상의 매우 얇은 조직 절편을 채취하는 데만 326일이 걸렸습니다.

두 명의 연구원 이 약 100시간을 이미지에 수동으로 주석을 달고 뉴런을 추적하여 알고리즘 훈련을 위한 실측 데이터 세트를 생성했습니다.

표준 데이터를 사용하여 훈련된 알고리즘은 자동으로 이미지를 연결하고 뉴런과 시냅스를 식별하며 최종 커넥톰을 생성할 수 있습니다.

Jain 팀은 이 문제를 해결하기 위해 수천 개의 TPU(텐서 처리 장치) 를 포함하여 많은 컴퓨팅 리소스를 투자했으며 100만 TPU 시간을 사전 처리하는 데 개월을 보냈습니다.

연구원들이 현재 수집된 최대 규모의 데이터 세트를 확보하고 이를 매우 정밀한 수준으로 재구성할 수 있지만, 이 데이터 양은 인간 두뇌의 약 0.0001%에 불과합니다

알고리즘과 하드웨어의 개선으로 따라서 연구자들은 뇌의 더 넓은 영역을 지도화하고 세포소기관이나 심지어 단백질과 같은 더 많은 세포 특징을 해결할 수 있어야 합니다.

적어도 딥러닝은 가능성을 제공합니다.

가상 조직학

조직학 은 의학에서 화학적 또는 분자 염색을 기반으로 질병을 진단하는 중요한 도구입니다.

그러나 전체 과정은 시간이 많이 걸리고 힘들며 완료하는 데 일반적으로 며칠 또는 심지어 몇 주가 걸립니다.

생검은 먼저 얇은 부분으로 자르고 염색하여 세포 및 세포 이하의 특징을 확인한 다음 병리학자가 결과를 읽고 해석합니다.

캘리포니아 대학교 로스앤젤레스 캠퍼스의 컴퓨터 엔지니어인 Aydogan Ozcan은 딥 러닝을 통해 전체 프로세스를 가속화할 수 있다고 믿습니다.

그는 맞춤형 딥 러닝 모델을 훈련하고, 컴퓨터를 통해 조직 섹션의 염색을 시뮬레이션하고, 같은 섹션의 수만 개의 염색되지 않은 샘플과 염색되지 않은 샘플을 모델에 공급하고, 모델이 이들 사이의 차이를 계산하도록 했습니다. .

가상 염색의 시간적 이점(즉시 완료 가능)에 더해 병리학자들은 관찰을 통해 가상 염색과 기존 염색의 차이가 거의 없다는 것을 발견했으며

전문가들은 그 차이를 구별할 수 없습니다. 실험 결과에 따르면 이 알고리즘은 조직학 실험실에서

보통 최소 24시간이 소요되는 과정

인 유방암 바이오마커 HER2의 분자 염색을 초 만에 복제할 수 있는 것으로 나타났습니다. 세 명의 유방 병리학자로 구성된 전문 패널이 이러한 이미지를 평가하고 기존 면역조직화학 염색과 비교할 수 있는 품질과 정확성을 지닌 것으로 간주했습니다.

Ozcan은 약물 개발에서 가상 염색의 상용화 가능성을 보고 있지만 조직학에서 독성 염료와 값비싼 염색 장비의 필요성을 없애기를 희망하고 있습니다.

셀 찾기

셀 이미지에서 데이터를 추출하려면 이미지에서 셀의 실제 위치를 알아야 합니다. 이 과정을 셀 분할이라고도 합니다.

연구원은 현미경으로 세포를 관찰

하거나 소프트웨어에서 세포를 하나씩 윤곽을 그려야 합니다

. California Institute of Technology의 계산 생물학자인 Morgan Schwartz는 처리를 자동화하는 방법을 찾고 있습니다. 이미징 데이터 세트가 점점 더 커지면서 기존의 수동 방법에도 병목 현상이 발생하고 자동화 없이는 일부 실험이

불가능합니다. .분석

. Schwartz의 대학원 지도교수이자 생명공학자인 David Van Valen은 인공 지능 모델 세트를 만들어 deepcell.org 웹사이트에 게시했습니다. 이 모델은 살아있는 세포의 세포 및 기타 특징을 계산하고 분석하고 조직 이미지를 저장하는 데 사용할 수 있습니다. .

Van Valen은 스탠포드 대학교 암 생물학자인 Noah Greenwald와 같은 공동 작업자와 함께

다양한 조직 유형의 세포와 핵을 빠르고 정확하게 감지

할 수 있는 딥 러닝 모델인 Mesmer를 개발했습니다.

연구원들은 이 정보를 사용하여 암성 조직과 비암성 조직을 구별하고 치료 전후의 차이점을 찾거나 일부 환자가 영상 변화에 따라 반응하거나 반응하지 않는 이유를 더 잘 이해할 수 있다고 Greenwald는 말합니다. 및 종양 하위유형을 결정하는 것.

단백질 위치 파악

Human Protein Atlas 프로젝트는 딥 러닝의 또 다른 응용 분야인 세포 내 위치 파악을 활용합니다.

스탠포드 대학의 생명공학자인 Emma Lundberg는 지난 수십 년 동안 이 프로젝트를 통해 인간 세포와 조직의 단백질 발현을 묘사하는 수백만 개의 이미지가 생성됐다고 말했습니다.

처음에는 프로젝트 참가자가 이러한 이미지에 수동으로 주석을 달아야 했지만 이 방법은 지속 불가능했고 Lundberg는 인공 지능 알고리즘의 도움을 구하기 시작했습니다.

지난 몇 년 동안 그녀는 Kaggle Challenge에서 크라우드소싱 솔루션을 출시하기 시작했습니다. 과학자와 인공 지능 애호가는 두 프로젝트의 상금으로 각각 37,000달러를 달성하게 됩니다. 그리고 $25,000.

참가자는 지도형 기계 학습 모델을 설계하고 단백질 지도 이미지에 주석을 달게 됩니다.

Kaggle 챌린지 결과는 프로젝트 멤버들도 놀라게 했습니다. 우승 모델의 성능은 Lundberg의 이전 단백질 위치 파악 패턴의 다중 라벨 분류보다 약 20% 더 높았으며, 세포주(세포)로 일반화될 수 있습니다. 라인)은 또한 여러 세포 위치에 존재하는 단백질을 정확하게 분류하는 분야에서 새로운 업계 혁신을 달성했습니다.

이 모델을 사용하면 생물학적 실험이 계속해서 발전할 수 있습니다. 동일한 단백질이 다른 위치에서 다르게 행동하기 때문에 인간 단백질의 위치가 중요합니다. 그 기능을 이해하는 것입니다.

동물 행동 추적

스위스 Ecole Polytechnique Fédérale de Lausanne 캠퍼스 생명공학 센터의 신경과학자인 Mackenzie Mathis는 오랫동안 뇌가 어떻게 행동을 주도하는지에 관심을 가져왔습니다.

이를 위해 그녀는 신경과학자들이 비디오에서 동물의 자세와 미세한 움직임을 추적하고 "고양이 비디오" 및 기타 동물 녹음을 데이터로 변환할 수 있는 DeepLabCut이라는 프로그램을 개발했습니다.

DeepLabcut은 연구원들이 버튼 클릭만으로 비디오를 업로드하고 주석을 달고 딥 러닝 모델을 훈련할 수 있는 그래픽 사용자 인터페이스를 제공합니다.

올해 4월 Mathis의 팀은 여러 동물의 자세를 동시에 예측할 수 있는 소프트웨어를 확장했습니다. 이는 인간과 인공 지능 모두에게 새로운 도전입니다.

DeepLabCut에서 훈련한 모델을 마모셋에 적용한 결과, 연구진은 동물들이 서로 가까이 있을 때는 몸이 일렬로 늘어서 비슷한 방향을 바라보고, 떨어져 있을 때는 서로 마주보는 경향이 있다는 것을 발견했습니다.

생물학자들은 동물의 자세를 식별하여 두 동물이 어떻게 상호 작용하고, 시선을 맞추고, 세상을 관찰하는지 이해합니다.

위 내용은 수작업에서 산업혁명까지! Nature 기사: 딥러닝으로 혁명을 일으킨 생물학적 이미지 분석의 5가지 영역의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!