在神经科学研究的早期阶段，科学家们对脑细胞进行了煞费苦心的染色，并用手工绘制了他们在显微镜下观察到的东西。快进到2018年，机器可能能够学习如何完成这项工作。根据Cell的一项新研究，有可能教机器如何挑选神经元和其他未被染色或经历过其他破坏性治疗的细胞的特征。该研究部分由国家神经疾病和中风研究所(NINDS)资助，该研究所是美国国立卫生研究院的一部分。

“这种方法有可能彻底改变生物医学研究，”NINDS项目主任Margaret Sutherland博士说。“研究人员现在正在生成大量数据。对于神经科学家来说，这意味着培训机器有助于分析这些信息，这有助于加快我们对大脑细胞如何组合以及与药物开发相关的应用的理解。”

神经细胞的培养物或培养物在肉眼看来是均匀的，并且不能看到其中的不同的单个细胞。自19世纪晚期开创性的神经科学家Santiago Ramon y Cajal和Camillo Golgi绘制了最早的神经系统图谱以来，科学家们一直在开发染料和染色方法，以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。然而，这些方法中的许多涉及刺激性化学物质，其在不自然状态下固定或冷冻细胞或在施加多次染色后破坏活细胞。传统技术也限制了科学家们可以观察到的细节。

由旧金山格拉德斯通研究所主任兼高级研究员，加州大学旧金山分校神经学和生理学教授Steven Finkbeiner博士领导的研究小组探讨了计算机是否可以通过培训来识别结构在未染色的细胞中。

“每天我们的实验室都在制作数百张图片，远远超出我们的观察和分析。有一天，来自Google的几位研究人员敲开我们的大门，看看他们是否可以帮助我们，”Finkbeiner博士说。这项研究的资深作者。

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，机器学习是一种人工智能，机器可以从中学习数据并做出决策。面部识别软件是机器学习的一个例子。

使用深度学习，Finkbeiner博士的团队训练了一个计算机程序，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对其进行了挑战。

在第一轮培训之后，该计划通过学习发现一个细胞核，一个包含遗传信息的圆形结构，并作为细胞的指挥中心，确定细胞位于培养皿中的位置。在另外的实验中，Finkbeiner博士的研究小组增加了该计划所寻求的功能的复杂性，并成功地训练它以区分死细胞和活细胞，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，它们是神经元上的两种特定类型的扩展。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，并在层中构建它，从图像的各个部分识别简单的特征，然后将信息传递给识别越来越复杂的特征的其他层，例如图案和结构。这是让人想起我们的大脑如何处理视觉信息，“Finkbeiner博士说。“深度学习方法能够发现比人眼更多的信息。”

Finkbeiner博士及其团队指出，使用该技术的主要缺点是训练数据集需要非常大，理想情况下大约需要15,000张图像。此外，可能存在过度训练程序的风险，它们变得如此专业化，它们只能识别特定图像集中的结构或以特定方式生成的图像中的结构，而不能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重点的研究。

“现在我们已经证明这项技术有效，我们可以开始在疾病研究中使用它。深度学习可以在细胞中发现可以帮助预测临床结果的东西，并可以帮助我们筛选潜在的治疗方法，”Finkbeiner博士说。

More research is needed to refine the technology and make it more widely available.