細胞生物學家和細胞學研究者現在有了新的細胞模型工具可以用了。

在微軟聯合創始人保羅·艾倫的資助下創立的艾倫細胞科學研究所（Allen Institute for Cell Science）最近公布了一項研究成果，利用卷積神經網絡（CNN）等 AI 算法學習現有的 2D 及 3D 細胞影像資料，訓練出了兩套能夠精準展示和預測細胞各部分形狀、位置及工作狀態的算法模型，一個叫確定性模型（deterministic model），一個叫概率模型（probabilistic model）。

前者主要用來研究人體誘導多能干細胞（hiPSC）各部分的形狀和組織機理；后者則可以用來分析那些尚未深入研究過的人體細胞。

由于訓練方式基本相同，這兩個模型工具被合稱為 Allen Integrated Cell，并用同一套工具來渲染和展示 3D 細胞模型。

從訓練過程來說，艾倫細胞科學研究所的研究人員在輸入數據之前，將 hiPSC 的細胞集樣本增加到了 24 個，目標定為 21 個關鍵結構和子結構。這其中包括 Paxillin、Sec61 beta、TOM20 等蛋白質。

細胞中的 14 種可染色蛋白質，會通過熒光標記法逐一染上不同顏色，然后放在顯微鏡下觀察細胞各個組成部分的形狀、分布和工作模式，并形成數據庫。

接下來，研究人員將這些 3D 圖像數據輸入到兩個不同的深度學習模型中進行訓練和推理。

其中，確定性模型在學習了熒光標記法中的顏色信息和活動規律數據后，不需要進行標記也能精準輸出 3D 的細胞活動模式，并根據類型為細胞各部分區分頻道。

負責細胞活動建模工作的醫學博士 Molly Maleckar 表示，熒光標記法對細胞來說是有毒性的，而且大規模采用成本很高。

這意味著，研究者可以利用 AI 來模擬細胞的真實結構和工作模式，從而降低實驗成本。

而概率模型在完成訓練和推理過程后，能夠輸出一個 3D 的細胞工作模型，動態顯示不同條件下細胞各組成部分的分布和動態。理論上，這個模型可以用于研究那些組織機理尚不清晰的細胞，也有助于拓展人體細胞的形態學邊界。

Allen Integrated Cell 輸出的 3D 細胞模型

針對這兩個模型的實用價值，艾倫細胞科學研究所也公布了不同蛋白質的模型預測置信度。

Allen Integrated Cell 置信度

從圖上看，細胞核、核被膜等蛋白質的可信度比較高。換句話說，AI 模擬出的細胞活動與觀測數據誤差很小。

這不僅有助于科學家研究正常的人體細胞，還能在觀察和分析衰老或病變細胞（比如癌細胞）時提供數據參考。Greg Johnson 表示：如果能更好地理解健康細胞的內部工作原理，就可以知曉它在出現哪些問題的時候，才會變成癌細胞。我們可以追溯癌細胞的過往，觀察它所發生的變化，然后盡早地發現它們。

另外，經濟發展水平不高的國家和地區，只要具備相關人才也能通過這套 AI 模型系統縮小與發達地區的醫學水平差距。

目前，Allen Integrated Cell 作為在線工具，其核心代碼文件已經發布在 Github 上。

不過，這需要一個同時精通細胞生物學、神經與腦科學、計算機科學的團隊合作挖掘 AI 的潛在價值。

--

關于艾倫細胞科學研究所

艾倫細胞科學研究所是 2014 年在微軟聯合創始人及慈善家保羅·艾倫（Paul G. Allen）的幫助下啟動，隸屬于艾倫研究所（Allen Institute）旗下一個獨立的非營利醫學研究機構。它致力于理解并給細胞這一基本生命單位構建模型。通過將技術，方法，模型和數據整合到一個共同的標準化框架中，艾倫細胞科學研究所正在創建動態的視覺模型，來說明遺傳信息如何轉化為細胞行為，以及每個細胞內的分子和細胞器如何相互作用系統。這些預測模型將使細胞科學界更好地了解細胞在健康和疾病中的作用。艾倫細胞科學研究所的數據，工具和模型可在線公開獲取。