借助深度进修算法，AI 能够成功地辨别出细胞中难以辨别的各种不同布局，这点人类有时都做不到。
应用人工智能（AI）标志和辨别细胞的 3D 布局是一个非常有趣的钻研课题，需要用到生物学中的荧光显微镜技巧和深度进修等 AI 技巧。艾伦细胞科学钻研所（Allen Institute for Cell Science）专注于相关领域的钻研，并取得了一些成果。
细胞的 3D 动态印象。Susanne Rafelski 是该钻研所的定量细胞生物学家和副主任，她和她的同事希望为细胞中各种不同的布局打上相应的标签，并做成 3D 动态印象。不过，这个愿望实现起来并不容易。
Susanne Rafelski。荧光显微技巧（fluorescence microscopy）虽然很常用，但在这里遇到了麻烦。首先，可供应用的颜色很少，无法完整地标志细胞布局；其次，试剂成本很高且应用起来麻烦；最后，染色剂以及成像过程对活细胞有害。在这种情况下，投射白光（明视线显微镜技巧）就派上了用场，应用该技巧的细胞成像不依赖标志，也就不会遇到荧光显微技巧带来的一些问题。据介绍，Rafelski 团队将荧光显微技巧和投射白光技巧结合了起来，从而应用人工智能（AI）在明视线图象上预计荧光标志的形状。该团队的钻研已经持续了数年。深度进修发挥重要作用在辨别细胞布局的过程中，深度进修发挥了重要作用。2017 年，该团队提出应用深度进修来辨别未标志细胞明视线图象中难以发现的布局，并证实了这种方式的可行性。具体而言，通过在未标志细胞实验中应用一种深度进修算法，团队创建了一个展示细胞核中 DNA 和子布局、细胞膜和线粒体的 3D 印象。
基于不同细胞类型的透射光显微镜（明视线）图象输入的 3D 荧光图象预计。图源：https://www.nature.com/articles/s41592-018-0111-2#Sec19
分别应用全 3D 和 2D 模型时，基于透射光（明视线）图象的 3D DNA 预计。图源：https://www.nature.com/articles/s41592-018-0111-2这种直接从透射图象中预计 3D 荧光的无标志方式可以用于生成多布局、组合式图象，也能根据电子显微（EM）输入来预计免疫荧光（IF），从而扩展了潜在的应用范围。更多钻研细节可以参考论文《Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy》。论文链接：https://www.biorxiv.org/content/10.1101/289504v4AI 辨别细胞的发展历程在过去的几年里，从事人工智能钻研的科学家们设计了几个系统来辨别这些模式。应用来自相同细胞的成对图象训练模型、图象分为一个明视线和一个荧光标志。但这些模型在细节上有所不同：有些用于 2D 图象、有些用于 3D 图象、有些是用于近似细胞布局，而另一些则是用来制作可能被误认为是真实显微照片的图象。来自加州大学旧金山分校和旧金山格莱斯顿钻研所的神经科学家 Steven Finkbeiner 应用机器人显微镜跟踪细胞长达一年。在钻研中 Finkbeiner 发现，应用深度进修可以发现看不见的细胞特征。
Finkbeiner 团队用训练系统来辨别 2D 图象中的神经元，然后挑出细胞核，确定给定的细胞是否活着。他表示说，自己钻研的主要目的是向科学家表明，图象数据中的信息可能比人类意识到的还要多。该小组称其技巧为「in silico labeling（ISL）」。ISL 能直接从未标志的固定样本或活体样本的透射光印象中预计多种荧光标志。
图源：https://ai.googleblog.com/2018/04/seeing-more-with-in-silico-labeling-of.html然而，这种方式无法辨别运动神经元。这些预计只有在 AI 能够应用一些可见线索的情况下才会起作用。Collman、Johnson 以及在艾伦钻研所的同事应用了一种不同的神经网络来解决 Rafelski 的问题，建立了一个叫做 U-Net 的系统，这个系统为生物图象而开发。与 Finkbeiner 的方式不同，Allen 模型可处理 3D 显微照片，钻研人员可以常规应用该技巧，例如，在染色质组织钻研中辨别核标志。
透射光显微镜三维荧光图象的无标志预计。图源：https://github.com/AllenCellModeling/pytorch_fnet/tree/release_1来自伊利诺伊大学厄巴纳－尚佩恩分校的物理学家 Gabriel Popescu 正在应用深度进修来回答一个最基本的显微镜问题：细胞是活的还是死的？这是比较难的，因为测试需要有毒的化学物质。并表示说：这就像用刀测量病人的脉搏。
Gabriel Popescu。Popescu 和同事将他们的方式称为 PICS：具有计算特异性的相位成像。Popescu 在活细胞中应用该技巧来辨别细胞核和细胞质，然后计算它们在数天内的质量。并表明，这些信号准确地表明了细胞的生长和生存能力。PICS 包含了基于 U-Net 软件和显微镜硬件技巧，因此，PICS 不是先获取图象并训练机器，之后在进行进一步的处理，PICS 是无缝地进行。一旦用户捕捉到白光图象，模型只需 65 毫秒就能传递出预计的荧光对应物。除此以外，还有其他钻研小组应用机器进修来辨别细胞。例如，华盛顿特区美国天主教大学的一个钻研小组应用了一种称为 GAN 的神经网络来辨别相衬光学显微镜图象中的细胞核。参考链接：https://www.nature.com/articles/s41592-018-0111-2https://www.nature.com/articles/d41586-021-00812-7#ref-CR1
