Η τεχνητή νοημοσύνη του βλέπει μέσα σε ζωντανά κύτταρα

Το βιβλίο βιολογίας του γυμνασίου σας ήταν λάθος για τα κύτταρα. Το πρωτότυπο ανθρώπινο κύτταρο - ας πούμε, ένα πολυδύναμο βλαστοκύτταρο, ικανό να διαφοροποιείται σε οτιδήποτε από μυ σε νεύρο έως δέρμα - δεν είναι μια τακτοποιημένη ημιδιαφανής σφαίρα. Ούτε τα εσωτερικά του μέρη κάθονται ακίνητα και σε βολική απόσταση μεταξύ τους, σαν κομμάτια ανανά αιωρούμενα σε ζελατίνη. Στην πραγματικότητα, ένα κελί μοιάζει περισσότερο με ένα κιλό μισολιωμένα ζελέ φασόλια γεμισμένα σε μια πολύ μικρή σακούλα σάντουιτς. Και το περιεχόμενό του κινείται συνεχώς, ακολουθώντας μια χορογραφία πιο ακριβή και πολύπλοκη από αυτή ενός τσιπ υπολογιστή.

Εν ολίγοις, η κατανόηση του πώς μοιάζουν τα κύτταρα στο εσωτερικό - πολύ λιγότερο τις μυριάδες αλληλεπιδράσεις μεταξύ των τμημάτων τους - είναι δύσκολο ακόμη και στον 21ο αιώνα. «Σκεφτείτε ένα κύτταρο ως ένα εξελιγμένο μηχάνημα όπως ένα αυτοκίνητο - εκτός από κάθε 24 ώρες, θα έχετε δύο αυτοκίνητα στο δρόμο σας και μετά τέσσερα αυτοκίνητα στο δρόμο σας», είπε ο Γκρεγκ Τζόνσον, ερευνητής όρασης υπολογιστών και μηχανικής μάθησης στο Allen Institute for Cell Science. «Αν έβρισκες τους πιο έξυπνους μηχανικούς στον κόσμο και έλεγες:«Φτιάξε μου ένα μηχάνημα που να το κάνει αυτό», θα μπερδεύονταν τελείως. Αυτό σκέφτομαι όταν σκέφτομαι πόσα λίγα γνωρίζουμε για το πώς λειτουργούν τα κύτταρα."

Για να δουν την εσωτερική λειτουργία των ζωντανών κυττάρων, οι βιολόγοι χρησιμοποιούν επί του παρόντος έναν συνδυασμό γενετικής μηχανικής και προηγμένης οπτικής μικροσκοπίας. (Τα ηλεκτρονικά μικροσκόπια μπορούν να απεικονίσουν το εσωτερικό των κυττάρων με μεγάλη λεπτομέρεια, αλλά όχι με ζωντανά δείγματα.) Συνήθως, ένα κύτταρο τροποποιείται γενετικά για να παράγει μια φθορίζουσα πρωτεΐνη που προσκολλάται σε συγκεκριμένες υποκυτταρικές δομές, όπως μιτοχόνδρια ή μικροσωληνίσκους. Η φθορίζουσα πρωτεΐνη λάμπει όταν το κύτταρο φωτίζεται από ένα ορισμένο μήκος κύματος φωτός, το οποίο επισημαίνει οπτικά τη σχετική δομή. Ωστόσο, αυτή η τεχνική είναι δαπανηρή και χρονοβόρα και επιτρέπει την παρατήρηση μόνο μερικών δομικών χαρακτηριστικών του κυττάρου κάθε φορά.

Αλλά με το υπόβαθρό του στη μηχανική λογισμικού, ο Johnson αναρωτήθηκε:Τι θα γινόταν αν οι ερευνητές μπορούσαν να διδάξουν την τεχνητή νοημοσύνη να αναγνωρίζει τα εσωτερικά χαρακτηριστικά των κυττάρων και να τα επισημαίνει αυτόματα; Το 2018, αυτός και οι συνεργάτες του στο Ινστιτούτο Άλεν έκαναν ακριβώς αυτό. Χρησιμοποιώντας δείγματα απεικόνισης φθορισμού, εκπαίδευσαν ένα σύστημα βαθιάς μάθησης να αναγνωρίζει πάνω από δώδεκα είδη υποκυτταρικών δομών, μέχρι να μπορέσει να τα εντοπίσει σε κύτταρα που το λογισμικό δεν είχε δει πριν. Ακόμα καλύτερα, αφού εκπαιδεύτηκε, το σύστημα του Johnson δούλευε επίσης με «εικόνες φωτεινού πεδίου» κυττάρων – εικόνες που λαμβάνονται εύκολα με συνηθισμένα μικροσκόπια φωτός μέσω μιας διαδικασίας «σαν να λάμπει ένας φακός μέσα από τα κύτταρα», είπε.

Αντί να εκτελούν ακριβά πειράματα απεικόνισης φθορισμού, οι επιστήμονες μπορούν να χρησιμοποιήσουν αυτόν τον «προσδιορισμό χωρίς ετικέτα» για να συναρμολογήσουν αποτελεσματικά τρισδιάστατες ταινίες υψηλής πιστότητας του εσωτερικού των ζωντανών κυττάρων.

Τα δεδομένα μπορούν επίσης να χρησιμοποιηθούν για την κατασκευή ενός βιολογικά ακριβούς μοντέλου ενός εξιδανικευμένου κυττάρου - κάτι σαν το όμορφα επισημασμένο διάγραμμα σε ένα σχολικό βιβλίο γυμνασίου αλλά με μεγαλύτερη επιστημονική ακρίβεια. Αυτός είναι ο στόχος του έργου του ινστιτούτου.

«Θέλουμε να είμαστε σε θέση να πούμε, εδώ είναι ένα μέσο κύτταρο, και να το δούμε και να το ανατέμνουμε και να παίξουμε μαζί του», είπε ο Τζόνσον. «Αλλά επειδή βασίζεται σε δεδομένα, θα περιλαμβάνει επίσης όλη την παραλλαγή που θα περιμέναμε. Θα μπορούσατε να πείτε, "Ας δούμε αυτήν την [έκδοση του] κελιού που είναι ακραία" και να ρωτήσετε πώς είναι οργανωμένη."

Η χρήση της μηχανικής μάθησης από τον Johnson για την οπτικοποίηση εσωτερικών χώρων κυττάρων ξεκίνησε το 2010 στο Πανεπιστήμιο Carnegie Mellon, λίγο πριν μια σειρά από ανακαλύψεις στην τεχνολογία βαθιάς μάθησης αρχίσει να μεταμορφώνει το πεδίο της τεχνητής νοημοσύνης. Σχεδόν μια δεκαετία αργότερα, ο Johnson πιστεύει ότι η προσέγγισή του με επαυξημένη τεχνητή νοημοσύνη στην απεικόνιση ζωντανών κυττάρων θα μπορούσε να οδηγήσει σε μοντέλα λογισμικού που είναι τόσο ακριβή, που μειώνουν ή και εξαλείφουν εντελώς την ανάγκη για ορισμένα πειράματα. «Θέλουμε να είμαστε σε θέση να τραβήξουμε τη φθηνότερη εικόνα [του κυττάρου] που μπορούμε και να προβλέψουμε από αυτήν όσο περισσότερα για αυτό το κύτταρο μπορούμε», είπε. «Πώς οργανώνεται; Ποια είναι η γονιδιακή έκφραση; Τι κάνουν οι γείτονές του; Για μένα, [αποφασισμός χωρίς ετικέτα] είναι απλώς ένα πρωτότυπο για πολύ πιο εξελιγμένα πράγματα που θα ακολουθήσουν."

Quanta μίλησε στον Johnson για τις προκλήσεις της βασικής κυτταρικής βιολογίας και το μέλλον της τεχνητής νοημοσύνης στη μικροσκοπία. Η συνέντευξη έχει συμπυκνωθεί και επεξεργαστεί για λόγους σαφήνειας.

Τι είναι τόσο δύσκολο να δεις μέσα σε ένα ζωντανό κύτταρο;

Αν θέλετε να κοιτάξετε ένα κελί όταν είναι ζωντανό, υπάρχουν βασικά δύο περιορισμοί. Μπορούμε να ανατινάξουμε το κύτταρο με φως λέιζερ για να φωτιστούν αυτές οι ετικέτες [φθορισμού πρωτεΐνης]. Αλλά αυτό το φως λέιζερ είναι φωτοτοξικό — το κύτταρο απλώς ψήνεται στον ήλιο στην έρημο.

Ο άλλος περιορισμός είναι ότι αυτές οι ετικέτες συνδέονται με μια αρχική πρωτεΐνη στο κύτταρο που πρέπει να πάει κάπου και να κάνει πράγματα. Αλλά η πρωτεΐνη έχει τώρα αυτό το μεγάλο ηλίθιο φθορίζον μόριο συνδεδεμένο σε αυτήν. Αυτό μπορεί να αλλάξει τον τρόπο που λειτουργεί το κελί εάν έχω πάρα πολλές ετικέτες. Μερικές φορές, όταν προσπαθείτε να εισαγάγετε αυτές τις φθορίζουσες ετικέτες, το πείραμά σας απλώς δεν λειτουργεί. Μερικές φορές, οι ετικέτες είναι θανατηφόρες για το κύτταρο.

Αλλά όταν λειτουργεί, δεν είναι αρκετά καλό; Μας έχει φτάσει ως εδώ.

Αν επιστρέψουμε στη μεταφορά «κελί ως αυτοκίνητο», είναι σαν να είχατε ένα αυτοκίνητο φτιαγμένο εξ ολοκλήρου από γυαλί. Μπορείτε να δείτε πράγματα μέσα στο αυτοκίνητο, αλλά δεν μπορείτε πραγματικά να πείτε τι βλέπετε ή πού είναι τα πράγματα σε σχέση το ένα με το άλλο. Στη συνέχεια, χρησιμοποιείτε αυτό το φθορίζον μόριο ως ετικέτα για να επισημάνετε ένα ή δύο μέρη στο αυτοκίνητο. Τώρα μπορείτε να δείτε τα χερούλια των θυρών ή μπορείτε να δείτε όσα ελαστικά έχει το αυτοκίνητο. Αλλά μερικές φορές ανακαλύπτεις ότι το «αυτοκίνητό σου» έχει μόνο δύο τροχούς και δεν έχει χερούλια πόρτας. Λέτε, «Δεν έχω ιδέα τι είναι αυτό το πράγμα». Αποδεικνύεται ότι είναι μοτοσικλέτα και δεν ξέραμε καν τι ήταν οι μοτοσυκλέτες επειδή είχαμε δει μόνο κελιά με τέσσερις τροχούς και λαβές θυρών, ας το πούμε έτσι.

Αν μπορούσαμε να κάνουμε απεικόνιση ζωντανών κυττάρων όπου θα μπορούσαμε να δούμε τα πάντα ταυτόχρονα, το βιολογικό σύμπαν θα ήταν ένα πολύ διαφορετικό μέρος. Θα μπορούσα να αποσυναρμολογήσω το αυτοκίνητο, να κοιτάξω το αυτοκίνητο με όραση με ακτίνες Χ και να παρακολουθώ αυτοκίνητα να κυκλοφορούν. Ίσως θα μπορούσα να φτιάξω έναν κινητήρα μόνος μου. Θα είχαμε τουλάχιστον μια καλύτερη ιδέα για το τι στο καλό συμβαίνει.

Τι σας ενέπνευσε να χρησιμοποιήσετε τη βαθιά εκμάθηση για να επισημάνετε τι υπάρχει μέσα σε ένα κελί;

Όταν είδα επιδείξεις ανθρώπων που παράγουν ρεαλιστικά πρόσωπα χρησιμοποιώντας βαθιά μάθηση [που ολοκληρώθηκε για πρώτη φορά το 2014 με παραγωγικά δίκτυα αντιπάλου], είπα, «Ω, μπορούμε να το χρησιμοποιήσουμε για να δημιουργήσουμε κελιά». Αυτή είναι η δουλειά μου:να μοντελοποιώ κύτταρα. Είπα, «Τι θα γινόταν αν μπορούσαμε να δημιουργήσουμε εικόνες κυττάρων που προήλθαν από ένα συγκεκριμένο πείραμα σήμανσης και οι βιολόγοι δεν μπορούσαν να πουν αν αυτές οι εικόνες ήταν πραγματικές ή όχι;» Αν μπορούσαμε να το κάνουμε αυτό, θα είχαμε, κατά κάποιο τρόπο, δημιουργήσει ένα μοντέλο που κατανοεί τι κάνει αυτό το πείραμα.

Δεν υπάρχει ο κίνδυνος να δείτε πράγματα που δεν υπάρχουν στην πραγματικότητα;

Αυτό που πραγματικά προσπαθούμε να κάνουμε είναι να προβλέψουμε τα αποτελέσματα των πειραμάτων, ώστε οι επιστήμονες να μπορούν να δώσουν προτεραιότητα στα πειράματα που θεωρούν ενδιαφέροντα.

Ας υποθέσουμε ότι έχω μια εικόνα ενός κυττάρου και [το λογισμικό] προβλέπει ένα μοτίβο εντοπισμού ενός πράγματος μέσα στο κύτταρο — για παράδειγμα, μιτοχόνδρια. Όταν παρατηρούμε μιτοχόνδρια στο μοντέλο μας χωρίς ετικέτα, αυτό που δείχνουμε είναι το αναμενόμενο αποτέλεσμα του μιτοχονδριακού εντοπισμού. Είναι σαν το μέσο μέρος όπου πιστεύουμε ότι βρίσκονται αυτά τα μιτοχόνδρια.

Ένας άλλος τρόπος για να το σκεφτούμε είναι, ας πούμε ότι ήθελα να εκτελέσω ένα πραγματικό πείραμα που περιελάμβανε την επισήμανση αυτών των κυττάρων με φθορίζουσες πρωτεΐνες. Αλλά αντί να εκτελέσω αυτό το πείραμα, το μόνο που έχω είναι αυτές οι πραγματικά, πολύ φτηνές εικόνες μικροσκοπίου φωτεινού πεδίου. Ζητώ λοιπόν από το μηχάνημα να προβλέψει το αποτέλεσμα αυτού του πειράματος σήμανσης. Στη συνέχεια, αν δω κάτι ενδιαφέρον στην εικόνα που δημιουργήθηκε, μπορώ να εκτελέσω αυτό το πραγματικό πείραμα.

Λοιπόν, χρησιμοποιείτε την τεχνητή νοημοσύνη για να εστιάσετε στον πειραματισμό ή για να την αντικαταστήσετε;

Νομίζω ότι και οι δύο απαντήσεις είναι σωστές. Ένας επιστήμονας λέει, «Το νόημα ενός πειράματος είναι να αποδείξει ότι το μοντέλο σου είναι λάθος». Επειδή το μοντέλο μας [deep Learning] έχει εκπαιδευτεί πλήρως σε δεδομένα από πειράματα με απεικόνιση φθορισμού, αυτό σημαίνει ότι κάθε φορά που βγαίνετε έξω και συλλέγετε νέα πειραματικά δεδομένα που μου δείχνουν πώς αυτό το μοντέλο είναι λάθος, μπορώ να προσθέσω αυτά τα δεδομένα στο μοντέλο μου για να βεβαιωθώ ότι είναι καλύτερα την επόμενη φορά.

Είναι μια κατάσταση win-win επειδή είτε το μοντέλο προβλέπει σωστά το αποτέλεσμα των πειραμάτων είτε το μοντέλο λαμβάνει νέα δεδομένα που μπορούν να μας δώσουν καλύτερη πρόβλεψη την επόμενη φορά.

Εάν φτάσετε αυτή τη διαδικασία στα άκρα, καταλήγετε σε ένα μοντέλο μηχανικής μάθησης όπου μπορείτε να πληκτρολογήσετε σε αυτό τις παραμέτρους οποιουδήποτε πειράματος θέλετε να εκτελέσετε. Μετά φτύνει ό,τι προσπαθείτε να μετρήσετε. Εάν πραγματικά πάτε να εκτελέσετε αυτό το πείραμα και τα πραγματικά δεδομένα και τα δεδομένα του μοντέλου είναι τα ίδια, τότε έχετε ένα μοντέλο που κατανοεί, με κάποια θεμελιώδη έννοια, τι είναι η βιολογία.

Είναι αμφιλεγόμενη αυτή η προσέγγιση;

Πριν από περίπου δύο ή τρία χρόνια, οι άνθρωποι το κοιτούσαν και έλεγαν:«Δεν σε πιστεύω». Έχω συμμετάσχει σε συνέδρια όπου παρουσίασα τη δουλειά μου και άκουσα κάτι που λέει:«Πάρτε αυτά τα σκουπίδια από εδώ». Τώρα οι άνθρωποι είναι πολύ πιο άνετα με αυτή την ιδέα. Γίνεται πολύ, πολύ γρήγορα υιοθέτηση, σε όλο το σύμπαν απεικόνισης κυτταρικής βιολογίας.

Τι άλλαξε;

Το διδακτορικό μου. χρησιμοποιούσε σε μεγάλο βαθμό την κλασική στατιστική μοντελοποίηση για να κάνει κάτι τέτοιο. Αυτό είναι ένα πολύ, πολύ ισχυρό εργαλείο. Αλλά αυτά τα στατιστικά εργαλεία μπορεί ή δεν μπορούν να δημιουργήσουν εικόνες κελιών που είναι ποιοτικά ρεαλιστικές. Θα μπορούσα να κάνω μια θολή κατανομή μέσα στο κύτταρο και να πω, «Ένα πιο φωτεινό σημείο εδώ είναι όπου θα περίμενα να βρω τα μιτοχόνδρια» και οι άνθρωποι θα έλεγαν, «Λοιπόν, αυτό δεν μοιάζει καθόλου με κύτταρο». Ήταν πολύ απογοητευτικό για μένα γιατί τα μαθηματικά και οι πιθανότητες ήταν όλα σωστά.

Αλλά όταν κοιτάξαμε τις πρώτες εικόνες [από το μοντέλο προσδιορισμού χωρίς ετικέτα], έμοιαζαν αληθινές. Βλέπουμε πραγματικά πού βρίσκονται αυτά τα μέρη του κυττάρου. Τα σαγόνια των ανθρώπων έπεσαν. Τότε απλά τρέξαμε με την ιδέα.

Το να βλέπεις είναι να πιστεύεις;

Ναι ακριβώς. Και το γεγονός ότι το κάνουμε χρησιμοποιώντας εικόνες φωτεινού πεδίου απλώς ξεσήκωσε τους πάντες, επειδή στον κόσμο της απεικόνισης, οι εικόνες φωτεινού πεδίου είναι σε μεγάλο βαθμό δεδομένα που πετάγονται. Όταν λαμβάνουμε αυτές τις εικόνες ιστού - απλώς λάμπει κανονικό φως πάνω του - αυτό είναι μόνο για να καταλάβουμε εάν το δείγμα είναι εστιασμένο ή όχι στο μικροσκόπιο. Μετά απλώς πηγαίνει κάπου σε έναν σκληρό δίσκο και κανείς δεν το κοιτάζει ξανά. Τα πειράματα που χρησιμοποιούν μόρια φθορισμού είναι ακριβά, αλλά οι εικόνες φωτεινού πεδίου είναι ουσιαστικά δωρεάν. Η δυνατότητα εκπαίδευσης μοντέλων [deep learning] με αυτά τα ακριβά δεδομένα και στη συνέχεια η χρήση αυτών των μοντέλων για να προβλέψετε πού βρίσκονται τα πράγματα μέσα στο κελί για τις εικόνες [brightfield] που τραβήξατε εξοικονομεί πολύ χρόνο και χρήμα.

Πρέπει να εκπαιδεύσετε ξεχωριστά μοντέλα βαθιάς μάθησης για να αναγνωρίζετε τα διάφορα μέρη του κυττάρου που σας ενδιαφέρουν. Κάποια λειτουργούν καλύτερα από άλλα;

Τα οργανίδια που συνδέονται με τη μεμβράνη, όπως ο πυρήνας και τα μιτοχόνδρια, είναι πολύ εύκολο να προβλεφθούν. Άλλα οργανίδια που δεν είναι συνδεδεμένα με τη μεμβράνη, όπως οι μικροσωληνίσκοι ή η συσκευή Golgi, είναι πολύ δύσκολο να προβλεφθούν. Αυτό έχει να κάνει σχεδόν εξ ολοκλήρου με το γεγονός ότι η πυκνότητα αυτών των αντικειμένων δεν είναι πολύ διαφορετική από αυτή της γύρω περιοχής μέσα στο κελί.

Πώς ξεπερνάτε αυτούς τους περιορισμούς;

Αντί να χρησιμοποιείτε απλώς το κανονικό μεταδιδόμενο φως, μπορείτε να χρησιμοποιήσετε πολωμένο φως ή άλλους τύπους απεικόνισης που χρησιμοποιούν οπτικά κόλπα για να λάβετε διαφορετικά επίπεδα αντίθεσης [στην εικόνα].

Ή, εάν εκτελώ ένα πείραμα και μπορώ να χρησιμοποιήσω μόνο τρεις ετικέτες φθορισμού, μπορώ να ξεχάσω να τις χρησιμοποιήσω σε δομές που το σύστημα είναι ήδη καλό στην πρόβλεψη και να τις χρησιμοποιήσω αντ' αυτού σε αυτές που είναι δύσκολο να προβλεφθούν, όπως η ακτίνη και η μικροσωληνίσκοι — κυτταροσκελετικές δομές μέσα στο κύτταρο.

Εσείς και άλλοι επιστήμονες στο Ινστιτούτο Άλεν μπορείτε να βελτιώνετε συνεχώς αυτά τα μοντέλα και το "ενσωματωμένο κύτταρο" βασίζεται σε αυτήν την εργασία. Μπορούν όμως και επιστήμονες εκτός του Ινστιτούτου Άλεν να χρησιμοποιήσουν αυτή τη μέθοδο;

Αυτό είναι ένα μεγάλο μέρος της όλης αποστολής μας. Όταν η Google κατασκεύασε το AlphaGo για να κερδίσει τους καλύτερους παίκτες Go στον κόσμο, αυτό το πράγμα είχε 200 χρόνια παιχνιδιού υπό τη ζώνη του. Αυτοί οι πόροι είναι εντελώς ανέφικτοι από κανένα άλλο ινστιτούτο στον κόσμο, εκτός ίσως από την Amazon ή τη Microsoft. Θέλουμε οι άλλοι άνθρωποι να μπορούν να χρησιμοποιούν τις κυτταρικές μας γραμμές και την τεχνολογία μας για τη δική τους έρευνα στα εργαστήριά τους, αλλά δεν χρειάζεται απαραίτητα να έχουν αυτό το επίπεδο εκλεπτυσμένου αγωγού που έχουμε εμείς.

Ένα από τα πράγματα που προσπαθήσαμε πολύ σκληρά να κάνουμε ήταν να δημιουργήσουμε αυτά τα μοντέλα σε βασικό υλικό — απλώς έναν κανονικό υπολογιστή με κάρτα γραφικών — με έναν αριθμό [εκπαιδευτικών] εικόνων που μπορεί να αποκτήσει ένας κανονικός άνθρωπος σε ένα κανονικό εργαστήριο. Όλα τα μοντέλα μας εκπαιδεύονται σε περίπου 30 εικόνες [δομών κυττάρων με σήμανση φθορισμού]. Αυτό μπορεί να κάνει ένας μεταπτυχιακός φοιτητής σε λιγότερο από ένα απόγευμα στο εργαστήριό του. Και μπορείτε να πάτε να φτιάξετε έναν υπολογιστή που μπορεί να το κάνει αυτό για περίπου 2.000 $, το οποίο είναι αρκετά φθηνό όσον αφορά τον εργαστηριακό εξοπλισμό. Εάν πρέπει πραγματικά να πάτε να δημιουργήσετε ένα μοντέλο που να κάνει κάτι χρήσιμο, δεν θα είναι δύσκολο να το κάνετε.

Πώς βλέπετε την εξέλιξη αυτής της τεχνολογίας; Τι θέλετε να μπορούν να βλέπουν οι κυτταρικοί βιολόγοι με τη βοήθεια της τεχνητής νοημοσύνης στο μέλλον;

Αυτό που θέλουμε να μπορούμε να κάνουμε είναι να τραβήξουμε μια ταινία του κυττάρου και να παρακολουθήσουμε πώς αλλάζουν οι σχέσεις μεταξύ των εσωτερικών δομών με προγνωστική έννοια.

Ο μικροσωληνίσκος και το DNA, για παράδειγμα. Όταν ένα κύτταρο χωρίζεται στα δύο, οι μικροσωληνίσκοι, οι οποίοι κανονικά κάνουν το κύτταρο να διατηρεί το σχήμα του, παίρνουν το DNA και το χωρίζουν στα δύο αντίγραφα εκατέρωθεν του κυττάρου. Αυτό το φαινόμενο είναι γνωστό. είναι ένα από τα πρώτα πράγματα που είδαν ποτέ οι κυτταρικοί βιολόγοι. Αλλά υπάρχουν πολλές σχέσεις μεταξύ αυτών των δύο δομών που είναι απίστευτα λεπτές - ίσως τόσο δύσκολο να εντοπιστούν που ένα ανθρώπινο μάτι δεν μπορούσε να τις δει. Θέλουμε να μπορούμε να χρησιμοποιούμε αυτές τις προηγμένες μεθόδους υπολογιστικής όρασης και μηχανικής μάθησης για να αναλύουμε αυτόματα τις σχέσεις μεταξύ αυτών των δομών.

Είναι μόνο για δεδομένα εικόνας;

Όχι, δεν χρειάζεται να περιοριζόμαστε. Μπορούμε να πάρουμε όλα τα είδη σημάτων και μετρήσεων ενός κυττάρου και να μοντελοποιήσουμε τις σχέσεις τους μεταξύ τους. Για να χρησιμοποιήσω ξανά τη μεταφορά του γυαλιού αυτοκινήτου:Δεν θα βλέπατε μόνο όλα τα εξαρτήματα μέσα με ευδιάκριτη σήμανση, θα βλέπετε επίσης ποια είναι τα χιλιόμετρα, πότε συναρμολογήθηκε, πόσο παλιά είναι αυτά τα εξαρτήματα, ανεξάρτητα από το αν ήταν ή όχι αντικαταστάθηκε — κάτι τέτοιο.

Θα μπορούσατε να σκεφτείτε αυτήν την [τεχνολογία] ως μια οθόνη εικονικής πραγματικότητας που βασίζεται σε δεδομένα, heads-up για ένα μικροσκόπιο. Οτιδήποτε μπορούμε να μετρήσουμε στα κύτταρα μας, ή οποιαδήποτε ζεύγη μετρήσεων, μπορούμε να το συσχετίσουμε μεταξύ μας. Κάθε πέντε ή δέκα χρόνια, οι επιστήμονες βρίσκουν έναν νέο τρόπο λήψης μετρήσεων. Και αλλάζει εντελώς τον τρόπο που σκεφτόμαστε τη βιολογία, ή ίσως την επιστήμη γενικότερα. Όταν οι επιστήμονες εξετάζουν το δείγμα ιστού τους, θέλουμε να τραβήξουν αυτήν την οθόνη και να την βάλουν να προβλέψει κάθε πράγμα σχετικά με τα κύτταρα που θα μπορούσαμε ενδεχομένως να μετρήσουμε.