在神经科学研究的早期，科学家们辛苦地染色了脑细胞，并手工绘制了他们在显微镜下看到的东西。快进到2018年，机器也许可以学习如何进行这项工作。根据《细胞》杂志上的一项新研究，有可能教会机器如何挑选出未染色或未进行其他破坏性处理的神经元和其他细胞中的特征。该研究部分由国立卫生研究院(National Institutes of Health)的国家神经疾病和中风研究所(NINDS)资助。

NINDS计划总监Margaret Sutherland博士说：“这种方法有可能彻底改变生物医学研究。”

“研究人员现在正在生成大量数据。对于神经科学家来说，这意味着训练机器可以帮助分析这些信息，可以帮助我们加快对大脑细胞的组合方式以及与药物开发相关的应用的理解。”

神经细胞的培养皿或培养物在肉眼看来是均匀的，看不见其中的不同单个细胞。自十九世纪末期，神经科学家 Santiago Ramon y Cajal 和Camillo Golgi绘制了最早的神经系统图谱以来，科学家一直在开发染料和染色方法来帮助区分大脑中的结构，包括不同类型的细胞和他们的健康状况。但是，这些方法中有许多都涉及刺激性化学物质，这些化学物质会固定或冻结非自然状态的细胞，或者在施加多种污渍后会破坏活细胞。传统技术还限制了科学家可以观察到的细节。

由旧金山格拉德斯通研究所所长，高级研究员，旧金山加利福尼亚大学神经病学和生理学教授史蒂芬·芬克宾纳(Steven Finkbeiner，MD，Ph.D.)领导的团队探讨了是否可以训练计算机来识别结构在未染色的细胞中。

“每天我们的实验室都在创建数百幅图像，这远远超过了我们自己观察和分析自己的能力。有一天，谷歌的一些研究人员敲了敲我们的门，看他们是否可以帮助我们。”该研究的资深作者芬克贝纳博士说。

研究人员使用了一种称为“深度学习”的方法，该方法依赖于机器学习的原理，这是一种人工智能，机器可以在其中从数据中学习并做出决策。面部识别软件是机器学习的一个示例。

通过使用深度学习，Finkbeiner博士的团队训练了一种计算机程序，可以通过显示染色和未染色的图像来分析脑细胞。然后，为了测试该程序是否学到了什么，研究人员用新的未标记图像来挑战它。

在第一轮训练之后，该程序通过学习发现细胞核来确定细胞在培养皿中的位置，该细胞核是一种包含遗传信息并充当细胞指挥中心的圆形结构。在其他实验中，芬克贝纳博士的小组增加了该程序所寻找功能的复杂性，并成功地对其进行了训练，以区分活细胞和死细胞，以及识别特定类型的脑细胞。此外，该程序学会了区分轴突和树突，这是神经元上的两种特定类型的延伸。根据结果​​，该程序成功地预测了未标记组织中的结构。

“深度学习采用一种算法或一组规则，将其分层构造，从图像的各个部分识别出简单的特征，然后将信息传递给识别出越来越复杂的特征(例如模式和结构)的其他层。这让人想起我们的大脑如何处理视觉信息。”芬克贝纳博士说。“深度学习方法能够发现比人眼所见更多的信息。”

Finkbeiner博士及其团队指出，使用此技术的主要缺点是训练数据集必须非常大，理想情况下约为15,000张图像。此外，可能存在过度训练程序的风险，以至于它们变得如此专业化，以致只能识别特定图像集或以特定方式生成的图像中的结构，而无法对更一般的图像进行预测，这可能会限制使用这项技术。

Finkbeiner博士及其同事计划将这些方法应用于以疾病为中心的研究。

“现在我们证明了这项技术有效，我们可以开始在疾病研究中使用它。深度学习可能会发现细胞中的某些东西，这些东西可以帮助预测临床结果并帮助我们筛选潜在的治疗方法。” Finkbeiner博士说。