고등학교 생물학 교과서는 세포에 대해 잘못되었습니다. 원형 인간 세포 (예 :다 능성 줄기 세포)는 근육에서 신경, 피부에 이르기까지 무엇이든 차별 할 수있는 것은 깔끔한 반투명 구체가 아닙니다. 젤라틴에 매달린 파인애플 덩어리처럼 내부 부품이 여전히 정교하고 편리하게 앉아 있지 않습니다. 실제로, 셀은 너무 작은 샌드위치 가방에 채워진 반 둥근 젤리 빈의 파운드처럼 보입니다. 그리고 그 내용은 컴퓨터 칩보다 더 정확하고 복잡한 안무에 따라 끊임없이 움직이고 있습니다.
요컨대, 내부의 세포가 어떻게 보이는지 이해하는 것은 21 세기에도 어렵습니다. Allen Cell Science Institute의 컴퓨터 비전 및 기계 학습 연구원 인 Greg Johnson은“24 시간마다 차도에 2 대의 자동차가 있고 차도에는 4 대의 차량을 차지하게됩니다. “세계에서 가장 똑똑한 엔지니어를 발견하고‘저를 그렇게하는 기계로 만드십시오.’라고 말하면 완전히 혼란 스러울 것입니다. 그것이 세포가 어떻게 작동하는지에 대해 아는 것을 생각할 때 내가 생각하는 것입니다.”
살아있는 세포의 내부 작업을 보려면 생물 학자들은 현재 유전자 공학과 고급 광학 현미경의 조합을 사용하고 있습니다. (전자 현미경은 살아있는 샘플과 함께 세포 내부를 크게 상세하게 이미지화 할 수 있습니다.) 전형적으로, 세포는 유전자 변형되어 미토콘드리아 또는 미세 소관과 같은 특정 아세포 구조에 부착 된 형광 단백질을 생성합니다. 형광 단백질은 세포가 특정 파장의 빛에 의해 조명 될 때 빛을 발하며, 이는 관련 구조에 시각적으로 라벨을 붙인다. 그러나이 기술은 비싸고 시간이 많이 걸리며 한 번에 셀의 몇 가지 구조적 특징 만 관찰 할 수 있습니다.
.그러나 Johnson은 소프트웨어 엔지니어링에 대한 그의 배경에 따라 연구자들이 인공 지능을 가르치고 세포의 내부 특징을 인식하고 자동으로 라벨을 붙일 수 있다면 어떻게해야합니까? 2018 년에 Allen Institute의 그와 그의 공동 작업자들은 바로 그 일을했습니다. 형광 이미징 샘플을 사용하여, 그들은 소프트웨어가 전에 보지 못했던 세포에서 발견 될 때까지 12 가지가 넘는 세포 구조를 인식하도록 딥 러닝 시스템을 훈련시켰다. 일단 훈련을받은 Johnson의 시스템은 세포의 "Brightfield 이미지"와도 협력했습니다. "세포를 통해 손전등을 빛나는 것"과정을 통해 일반 광학 현미경으로 쉽게 얻을 수있는 이미지가 있습니다.
.값 비싼 형광 이미징 실험을 수행하는 대신, 과학자들은이“라벨 프리 결정”을 사용하여 살아있는 세포의 내부의 고 충실도, 3 차원 영화를 효율적으로 조립할 수 있습니다.
이 데이터는 또한 고등학교 교과서에서 깔끔하게 레이블이 지정된 다이어그램과 같은 이상적인 정확도와 같은 이상적인 셀의 생물학적으로 정확한 모델을 구축하는 데 사용될 수 있습니다. 그것이 연구소 프로젝트의 목표입니다.
존슨은“우리는 여기에 평균 세포가 있고, 그것을보고 해부하고 놀고 싶다”고 말했다. “그러나 데이터를 기반으로하기 때문에 우리가 기대할 모든 변형도 포함됩니다. ‘이상인이 셀의 버전을 보자.’라고 말할 수 있습니다.
딥 러닝 기술의 일련의 혁신이 인공 지능 분야를 변화시키기 시작하기 직전에 Carnegie Mellon University에서 2010 년에 Johnson의 기계 학습을 사용하여 Carnegie Mellon University에서 시작되었습니다. 거의 10 년 후 Johnson은 살아있는 셀 이미징에 대한 그의 AI-augmented 접근 방식이 매우 정확한 소프트웨어 모델로 이어질 수 있으며 특정 실험의 필요성을 줄이거 나 완전히 제거 할 수 있다고 생각합니다. "우리는 우리가 가능한 한 그 셀에 대해 그 셀에 대해 예측할 수있는 셀의 가장 저렴한 이미지를 찍을 수 있기를 원합니다." “어떻게 구성되어 있습니까? 유전자 발현은 무엇입니까? 이웃은 무엇을하고 있습니까? 나에게 [라벨 프리 결정]은 앞으로 훨씬 더 정교한 것들을위한 프로토 타입 일뿐입니다.”
.Quanta 기본 세포 생물학의 도전과 현미경에서 AI의 미래에 대해 Johnson에게 말했습니다. 인터뷰는 명확성을 위해 압축되고 편집되었습니다.
살아있는 세포 내부를 보는 것이 어려운 점은 무엇입니까?
살아있을 때 셀을보고 싶다면 기본적으로 두 가지 제한이 있습니다. 우리는 레이저 라이트로 세포를 폭파하여 이러한 [형광 단백질] 라벨을 비추도록 할 수 있습니다. 그러나 그 레이저 조명은 광독성입니다. 세포는 기본적으로 사막의 햇볕에 굽는 것입니다.
다른 한계는이 라벨이 어딘가에 가서 일을 해야하는 세포의 원래 단백질에 부착된다는 것입니다. 그러나 단백질에는 이제이 큰 멍청한 형광 분자가 부착되어 있습니다. 레이블이 너무 많으면 셀이 작동하는 방식이 바뀔 수 있습니다. 때로는 이러한 형광 레이블을 소개하려고 할 때 실험이 해결되지 않습니다. 때로는 레이블이 셀에 치명적입니다.
하지만 효과가있을 때 충분하지 않습니까? 지금까지 우리를 얻었습니다.
우리가 차량으로 돌아가는 은유로 돌아 가면, 당신이 전적으로 유리로 만든 자동차를 가지고있는 것과 같습니다. 차 안에서 물건을 볼 수는 있지만 실제로보고있는 내용이나 서로 관련이있는 곳을 알 수는 없습니다. 그런 다음이 형광 분자를 라벨로 사용하여 자동차의 한두 부분을 강조 표시합니다. 이제 문 핸들을 볼 수 있거나 자동차가 가지고있는 많은 타이어를 볼 수 있습니다. 그러나 때때로 당신은 당신의“자동차”에 바퀴가 두 개 뿐이며 도어 핸들이 없다는 것을 알게됩니다. 당신은“나는 이것이 무엇인지 전혀 모른다”고 말합니다. 그것은 오토바이 인 것으로 밝혀졌으며, 우리는 4 개의 바퀴와 문 손잡이가있는 세포 만 보았 기 때문에 오토바이가 무엇인지 알지 못했습니다.
우리가 모든 것을 동시에 볼 수있는 라이브 세포 영상을 할 수 있다면 생물학적 우주는 매우 다른 장소가 될 것입니다. 나는 차를 파괴하고 X-ray Vision에서 차를보고 차가 운전하는 것을 볼 수 있습니다. 어쩌면 나는 직접 엔진을 만들 수있을 것입니다. 우리는 적어도 도대체 무슨 일이 일어나고 있는지에 대한 더 나은 아이디어를 가질 것입니다.
딥 러닝을 사용하여 셀 내부의 내용을 표시하는 데 영감을주는 것은 무엇입니까?
딥 러닝을 사용하여 현실적인 얼굴을 생성하는 사람들의 시연을 보았을 때 [2014 년에 발전 적 적대적 네트워크로 첫 번째로 달성],“오, 우리는 대신 셀을 생성하는 데 사용할 수 있습니다.”라고 말했습니다. 그것이 나의 직업입니다 :셀을 모델링하는 것입니다. “특정 라벨링 실험에서 나온 세포의 이미지를 생성 할 수 있다면 생물 학자들은 그 이미지가 실제인지 아닌지 알 수 없었습니까?”라고 말했습니다. 우리가 그렇게 할 수 있다면, 어떤 의미에서 우리는 그 실험이 무엇을하고 있는지 이해하는 모델을 구축했을 것입니다.
실제로 존재하지 않는 것을 볼 위험이 없습니까?
우리가 실제로 시도하는 것은 실험의 결과를 예측하는 것입니다. 따라서 과학자들은 흥미 롭다고 생각하는 실험의 우선 순위를 정할 수 있습니다.
.내가 셀의 이미지를 가지고 있다고 가정하고 [소프트웨어는] 셀 내부의 물건의 국소화 패턴 (예 :미토콘드리아)을 예측하고 있다고 가정 해 봅시다. 라벨이없는 모델에서 미토콘드리아를 관찰 할 때, 우리가 보여주는 것은 미토콘드리아 국소화의 예상 결과입니다. 그것은 우리가 미토콘드리아라고 생각하는 평균적인 장소와 같습니다.
그것에 대해 생각하는 또 다른 방법은, 이들 세포에 형광 단백질로 라벨을 붙이는 실제 실험을 실행하고 싶다고 말합니다. 그러나 그 실험을 실행하는 대신, 내가 가진 것은 정말, 정말 저렴한 Brightfield 현미경 이미지입니다. 그래서 나는 기계 에이 라벨링 실험의 결과를 예측하도록 요청합니다. 그런 다음 생성 된 이미지에서 흥미로운 것을 본다면 실제 실험을 실행할 수 있습니다.
그러면 AI를 사용하여 실험에 초점을 맞추거나 교체하는 데 도움이됩니까?
나는 두 대답이 모두 옳다고 생각합니다. 과학자는“실험의 요점은 모델이 잘못되었음을 증명하는 것입니다.”라고 말합니다. 우리의 [딥 러닝] 모델은 형광 이미징 실험의 데이터에 대해 완전히 훈련되었으므로, 이는 해당 모델이 어떻게 잘못되었는지 보여주는 새로운 실험 데이터를 수집 할 때마다 다음에 해당 데이터에 해당 데이터를 추가하여 다음에 더 나은지 확인할 수 있습니다.
.
모델이 실험 결과를 올바르게 예측하거나 다음에 우리에게 더 나은 예측을 제공 할 수있는 새로운 데이터를 얻는 모델이 올바르게 예측되기 때문에 상생 상황입니다.
이 프로세스를 극단적으로 사용하면 실행하려는 실험의 매개 변수를 입력 할 수있는 머신 러닝 모델로 끝납니다. 그런 다음 측정하려는 모든 것을 뱉어냅니다. 실제로 그 실험을 실행하고 실제 데이터와 모델의 데이터가 동일하다면, 어떤 근본적인 의미에서, 생물학이 무엇인지 이해하는 모델이 있습니다.
.이 접근법은 논란의 여지가 있습니까?
약 2 ~ 3 년 전 사람들은 그것을보고“나는 당신을 믿지 않습니다.”라고 말할 것입니다. 나는 내 작품을 제시하고“이 쓰레기를 여기에서 꺼내는 것”의 효과에 대한 무언가를 들었던 회의에있었습니다. 이제 사람들은이 아이디어에 훨씬 더 편안합니다. 세포 생물학 영상 세계 전체에서 매우 빠르게 채택되고 있습니다.
무엇이 바뀌 었습니까?
내 박사 이런 종류의 일을하기 위해 고전적인 통계 모델링을 사용하는 데 주변에있었습니다. 그것은 매우 강력한 도구입니다. 그러나 이러한 통계적 도구는 질적으로 현실적인 세포의 이미지를 생성 할 수 있거나 없을 수 있습니다. 나는 세포 내부에서 흐릿한 분포를 만들어“여기 더 밝은 곳은 미토콘드리아를 찾을 것으로 예상되는 곳입니다.”라고 사람들은“글쎄요, 전혀 셀처럼 보이지 않습니다.” 수학과 확률이 모두 옳았 기 때문에 나에게 매우 실망 스러웠습니다.
그러나 우리가 첫 번째 이미지 [레이블 프리 결정 모델에서]를 보았을 때, 그것들은 실제적으로 보였습니다. 우리는 실제로 셀 의이 부분이 어디에 있는지보고 있습니다. 사람들의 턱이 떨어졌습니다. 그런 다음 우리는 그 아이디어를 가지고 달려갔습니다.
보는 것은 믿어지고 있습니까?
예, 정확히. Brightfield 이미지를 사용하여 수행하고 있다는 사실은 이미징 세계에서 Brightfield 이미지가 크게 흔들리는 데이터이기 때문에 모든 사람을 날려 버렸습니다. 우리가 조직의 이미지를 찍을 때 (정상적인 빛을 비추는 것만으로도 샘플이 현미경에 중점을두고 있는지 알아내는 것입니다. 그런 다음 그것은 단지 하드 드라이브 어딘가에 가고 아무도 다시는 그것을 보지 않습니다. 형광 분자를 사용한 실험은 비싸지 만 Brightfield 이미지는 본질적으로 무료입니다. 고가의 데이터로 [딥 러닝] 모델을 훈련시킨 다음 해당 모델을 사용하여 시간과 돈을 많이 절약 할 수있는 [Brightfield] 이미지를 위해 셀 내부의 위치를 예측합니다.
관심있는 셀의 다른 부분을 인식하기 위해 별도의 딥 러닝 모델을 훈련시켜야합니다. 다른 것보다 더 잘 작동합니까?
핵 및 미토콘드리아와 같은 막 결합 소기관은 예측하기가 매우 쉽습니다. 미세 소관이나 골지 장치와 같은 막 결합되지 않은 다른 소기관은 예측하기가 매우 어렵다. 이 물체의 밀도가 셀 내부의 주변 영역과 크게 다르지 않다는 사실과 거의 관련이 있습니다.
.그 한계를 어떻게 해결합니까?
정상적인 전송 조명을 사용하는 대신, 편광 조명 또는 광학 트릭을 사용하여 [이미지에서] 다른 수준의 대비를 얻는 다른 유형의 이미징을 사용할 수 있습니다.
또는 실험을 실행하고 세 개의 형광 라벨 만 사용할 수 있다면 시스템이 이미 예측하기 어려운 구조물에서 Actin 및 Microtubules (세포 내부의 세포 골격 구조)에서 사용하는 것을 잘 사용하는 것을 잊을 수 있습니다.
.Allen Institute의 귀하와 다른 과학자들은 이러한 모델을 지속적으로 개선 할 수 있으며 "통합 된 셀"은이 작업을 기반으로합니다. 그러나 Allen Institute 외부의 과학자들은이 방법을 사용할 수 있습니까?
그것은 우리의 전체 임무의 큰 부분입니다. Google이 Alphago를 구축하여 세계 최고의 GO 플레이어를이기도록 제작했을 때, 그 일은 200 년의 게임 플레이가 벨트 아래에있었습니다. 이러한 리소스는 아마존이나 마이크로 소프트를 제외하고 세계의 다른 연구소에서 완전히 달성 할 수 없습니다. 우리는 다른 사람들이 실험실에서 자신의 연구를 위해 셀 라인과 기술을 사용할 수 있기를 원하지만 반드시 우리가하는 수준의 정제 된 파이프 라인을 가질 필요는 없습니다.
.우리가 열심히 노력한 것 중 하나는 일반적인 실험실에서 정상적인 인간이 획득 할 수있는 많은 [훈련] 이미지를 가진 상품 하드웨어 (그래픽 카드가있는 일반적인 컴퓨터)에 이러한 모델을 구축하는 것이 었습니다. 우리의 모든 모델은 [형광 표지 된 세포 구조]의 약 30 개의 이미지로 훈련됩니다. 이것은 대학원생이 실험실에서 오후에 할 수있는 일입니다. 그리고 실험실 장비가 진행되는 한 약 2,000 달러 에이 작업을 수행 할 수있는 컴퓨터를 만들 수 있습니다. 실제로 유용한 일을하는 모델을 만들어야한다면 어렵지 않아야합니다.
이 기술이 어떻게 진행되고 있습니까? 세포 생물 학자들이 미래에 AI의 도움으로 무엇을 볼 수 있기를 원하십니까?
우리가 할 수있는 것은 셀의 영화를 찍고 내부 구조 사이의 관계가 예측적인 의미에서 어떻게 변하는 지 보는 것입니다.
예를 들어 미세 소관 및 DNA. 세포가 2 개로 나뉘어지면, 미세 소관은 일반적으로 세포의 모양을 유지하고 DNA를 가져다가 세포의 양쪽에있는 두 사본으로 분리합니다. 이 현상은 잘 알려져 있습니다. 세포 생물 학자들이 본 첫 번째 것 중 하나입니다. 그러나이 두 구조 사이에는 엄청나게 미묘한 관계가 많이 있습니다. 아마도 인간의 눈이 볼 수 없다는 것을 감지하기가 어려울 수 있습니다. 우리는 이러한 출혈 에지 컴퓨터 비전 및 기계 학습 방법을 사용하여 이러한 구조 간의 관계를 자동으로 해부 할 수 있기를 원합니다.
이것은 이미지 데이터에 전용입니까?
아니요, 우리는 스스로를 제한 할 필요가 없습니다. 우리는 셀의 모든 신호와 측정을 취하고 서로의 관계를 모델링 할 수 있습니다. Glass-Car 은유를 다시 사용하려면 :당신은 뚜렷하게 레이블이 지정된 모든 부품을 볼 수있을뿐만 아니라, 마일리지가 무엇인지, 조립되었을 때, 그 부품이 얼마나 오래되었는지, 교체되었는지 여부-그런 종류의 것입니다.
.이 [기술]을 현미경을위한 데이터 중심의 헤드 업 가상 현실 디스플레이로 생각할 수 있습니다. 우리가 셀에서 측정 할 수있는 것은 또는 측정 한 쌍이 서로 관련 될 수 있습니다. 5 년 또는 10 년마다 과학자들은 새로운 측정 방법을 제시합니다. 그리고 그것은 우리가 생물학 또는 과학에 대한 우리의 생각 방식을 완전히 변화시킵니다. 과학자들이 조직 샘플을보고있을 때, 우리는 그들이이 디스플레이를 끌어 올리고 우리가 측정 할 수있는 세포에 대한 모든 것을 예측하도록하기를 원합니다.
.
