前沿｜Nature：用機器學習預測幹細胞外觀

選自Nature

作者：Amy Maxmen

機器之心編譯

參與：黃小天、吳攀、微胖

源自皮膚的人類幹細胞的 3D 圖，其中藍色表示 DNA、紫色表示細胞膜、黃色表示其它結構。來源：艾倫細胞科學研究所

每個幹細胞都是獨一無二的，基因克隆的幹細胞也不例外。這一獨特屬性在今天公開可用的大量 3D 幹細胞圖像中得到了揭示。這些圖像通過深度學習分析以及使用基因編輯工具 CRISPR 修改的細胞系（cell line）而獲得。很快，研究者將會預測細胞布局之中的變異以預測癌症和其他疾病。

由位於西雅圖的艾倫細胞科學研究所（Allen Institute for Cell Science）開發的「Allen Cell Explorer」包含一個超過 6000 張誘導多能幹細胞（iPS）圖片的持續增長的庫；由於突出特殊基因的熒游標記，iPS 是光亮的主要成分。

Allen Cell Explorer 地址：http://allencell.org/

「Allen Cell Explorer」對於由幾個團隊在 DNA、RNA 和蛋白質層面繪製單細胞獨特性圖表的項目起到補充作用。艾倫細胞科學研究所的主管 Rick Horwitz 說，該研究所揭示了細胞結構的預料之外的方面，這也許會加速幹細胞研究、癌症研究和藥物開發方面的進展。「如果你了解每個足球運動員的狀態卻從來不看球賽，那麼你不可能預測出比賽結果。」

深入皮層之下

該項目始於一年之前，研究者將成年人的皮膚細胞重新編程成了胚胎狀的未分化的狀態。然後 Horwitz 及其團隊使用了 CRISPR–Cas9 技術來將標籤（tag）插入到基因之中以製造細胞可以在其中生長的結構。這些基因中包含編碼了強調肌動蛋白微絲（actin filament）的蛋白質的編碼，這種肌動蛋白微絲可以幫助細胞運動和維持形狀。很快研究者就發現，這些來自同一親代細胞的基因相同的細胞在位置、形狀的組件（比如線粒體和肌動蛋白纖維）數量上都各有不同。

一個單獨的人類幹細胞，其中黃色表示細胞膜，藍色表示 DNA，紅色表示微管

計算機科學家使用深度學習程序分析了數千張圖像，然後發現了細胞的位置和細胞結構之間的關係。然後他們使用這些信息來預測當僅有少量信息（如細胞核的位置）給出時的細胞的結構。該程序通過將其預測和實際細胞進行比較來進行「學習」。

這些深度學習演算法和一些公司用來預測人的偏好的演算法類似，Horwitz 說：「如果你在亞馬遜上面買了一把電鋸，那麼它就可能推薦你繼續購買鏈條油和格子襯衫。」

這個基於深度學習的 3D 互動式工具預計將在今年上線。目前該網站給出了一些其工作方式的預覽，並展示了預測的和實際圖像的比較。

華盛頓大學的細胞生物學家 Benjamin Freedman 也很期待在這個艾倫研究所團隊教會他們的演算法識別更多 iPS 細胞（會根據基因和化學環境而變化）時嘗試 Cell Explorer 的預測功能。比如說，Freedman 說他可以從該艾倫研究所的熒游標注的幹細胞中移除與腎臟疾病有關的基因，然後看這樣的突變會引起細胞結構的怎樣的變化。然後他可以使用該網站的建模工具來確定可以如何改變其它細胞組件。Freedman 說：「最終，我們希望理解導致腎臟疾病的細胞層面的全過程。」

填補漏洞

在接下來的幾個月里，艾倫研究所的研究人員會更新該網站，放上幹細胞處在細胞分裂不同階段和當它們轉變為不同的細胞類型（比如心臟或腎細胞）時的圖像。Horwitz 說，抓住細胞在不同時間點的狀態是識別基本過程的核心。

基因相同的幹細胞的 DNA（紫色）和細胞膜（藍色）的結構上的差異

該艾倫研究所對幹細胞的視覺分析的強調是為了為細胞的其他方面建立目錄。比如，位於倫敦的 Cancer Research UK 慈善組織正在創造一種虛擬現實交互的乳腺癌腫瘤細胞的模型。一項叫做人類細胞地圖（Human Cell Atlas）的國際項目也在努力根據細胞的分子組成（包括 DNA 序列、RNA 轉錄和蛋白質）來定義所有人類細胞的類型。

麻省劍橋 Broad 研究院的計算機生物學家 Aviv Regev 正在研究人類細胞地圖，她說，Allen Cell Explorer 與她的研究項目互補，因為他們關注了分子特徵的外觀，而不是基因、RNA 和蛋白質如何在細胞中互動。她說，「研究界正在接受這一事實：細胞之間存在許多差異，之前我們一直以為它們是相同的。因此，現在我們正在用一種毫無偏見的辦法來研究這些我們之前所不知道的部分。」