借由高功率顯微鏡和機器學習，美國科學家研發(fā)出一種新算法，可在整個細胞的超高分辨率圖像中自動識別大約30種不同類型的細胞器和其他結構。相關論文發(fā)表在最新一期的《自然》雜志上。
領導該COSEM(電子顯微鏡下細胞分割)項目團隊的奧布蕾·魏格爾說，這些圖像中的細節(jié)幾乎不可能在整個細胞中手動解析。僅一個細胞的數據就由數萬張圖像組成，通過這些圖像追蹤該細胞的所有細胞器，需要一個人花60多年時間。但是新算法可在數小時內繪制出整個細胞。
除了《自然》上兩篇文章外，研究團隊還發(fā)布了一個數據門戶“開放細胞器”，任何人都可通過該門戶訪問他們創(chuàng)建的數據集和工具。這些資源對于研究細胞器如何保持細胞運行非常寶貴，過去科學家們并不清楚不同細胞器和結構怎樣排列——它們如何相互接觸及占據多少空間?，F(xiàn)在，這些隱藏的關系首次變得可見。
在過去十年中，研究團隊使用高功率電子顯微鏡從多種細胞中收集了大量數據，包括哺乳動物細胞。
最新的機器學習工具可在電子顯微鏡數據中精確定位突觸，即神經元之間的連接。研究人員調整了算法來繪制或分割細胞中的細胞器，該分割算法為圖像中的每個像素分配一個數字，這個數字反映了像素離最近的突觸有多遠，算法使用這些數字來識別和標記圖像中的所有突觸。COSEM算法的工作方式與之類似，但維度更多。研究人員根據每個像素與30種不同類型的細胞器和結構中的每一種的距離對每個像素進行分類。然后，算法整合所有這些數字來預測細胞器的位置。
研究人員表示，利用這些數字，該算法還能判斷特定的數字組合是否合理。例如，一個像素不能既位于內質網內，同時又位于線粒體內。
為了回答諸如細胞中有多少線粒體或它們的表面積是多少等問題，研究團隊構建的算法結合了有關細胞器特征的先驗知識。經過兩年的工作，COSEM研究團隊最終找到了一套算法，可為迄今為止收集的數據生成良好的結果。
目前，研究團隊正在將成像提升到更高的細節(jié)水平，并進一步優(yōu)化工具和資源，創(chuàng)建一個更為廣泛的細胞標注數據庫和更多種細胞和組織的詳細圖像。這些成果將支持未來的新研究領域——4D細胞生理學，以了解細胞在構成有機體的不同組織中的相互作用。(張夢然)
營業(yè)執(zhí)照公示信息