Παρακάτω είναι η πρώτη από μια σειρά προσκεκλημένων αναρτήσεων ιστολογίου από ερευνητές που εργάζονται σε ένα από τα βιοϊατρικά μας έργα που ξεκινήσαμε πρόσφατα, Etch A Cell.
Διαβάστε παρακάτω για να αφήσετε τον Δρ Μάρτιν Τζόουνς να σας πει για τη δουλειά που κάνουν για την περαιτέρω κατανόηση του σύμπαντος μέσα στα κύτταρά μας!
– Ελένη
Έχοντας εκπαιδευτεί ως φυσικός, με πολλούς φίλους που εργάζονται στην αστρονομία, γνώριζα το Galaxy Zoo και το Zooniverse από τις πρώτες μέρες. Η πρώιμη ερευνητική μου καριέρα ήταν στην κβαντική μηχανική, δυστυχώς όχι σε έναν τομέα όπου η διαίσθηση των ανθρώπων είναι πολύ χρήσιμη! Ωστόσο, από τότε που βρέθηκα να εργάζομαι σε εργαστήρια βιολογίας, τώρα στο Ινστιτούτο Francis Crick στο Λονδίνο, εργάζομαι σε διάφορες πτυχές της μικροσκοπίας – μια πολύ πιο οπτική επιχείρηση και μια επιχείρηση όπου η ανθρώπινη ανάλυση εξακολουθεί να είναι ο χρυσός κανόνας. Αυτό ισχύει ιδιαίτερα στην ηλεκτρονική μικροσκοπία, όπου η πολυάσχολη φύση των εικόνων σημαίνει ότι πολλές περιοχές μέσα σε ένα κύτταρο μοιάζουν πολύ. Για να κατανοήσει κανείς τις εικόνες, ένα άτομο είναι σε θέση να αφομοιώσει μια ολόκληρη σειρά πρόσθετου πλαισίου και προηγούμενων γνώσεων με τρόπο που οι υπολογιστές, ως επί το πλείστον, απλά δεν μπορούν να το κάνουν. Αυτό την καθιστά μια αργή και εντατική διαδικασία. Σαν να μην ήταν ήδη αρκετά δύσκολο πρόβλημα, τα τελευταία χρόνια έχει επιδεινωθεί από νέες τεχνολογίες που σημαίνει ότι τα μικροσκόπια καταγράφουν τώρα εικόνες περίπου 100 φορές πιο γρήγορα από πριν.
Εστιασμένο ηλεκτρονικό μικροσκόπιο σάρωσης δέσμης ιόντων
Πριν από δέκα χρόνια, ήταν λίγο-πολύ δυνατό να αναλύονται οι εικόνες χειροκίνητα με τον ίδιο ρυθμό που αποκτήθηκαν, διατηρώντας τον δίσκο εισόδου και εξόδου σε καλή ισορροπία. Τώρα, όμως, αυτό δεν ισχύει. Για να το δείξουμε αυτό, εδώ είναι ένα παράδειγμα μιας φέτας μέσω μιας ομάδας καρκινικών κυττάρων, γνωστών ως HeLa κύτταρα:
Τραβάμε μια εικόνα σαν αυτή και μετά αφαιρούμε ένα πολύ λεπτό στρώμα – μερικές φορές λεπτό όσο 5 νανόμετρα (ένα νανόμετρο είναι ένα δισεκατομμυριοστό του μέτρου) – και μετά επαναλαμβάνουμε… πολλά! Η δημιουργία τεράστιων στοίβων αυτών των εικόνων μπορεί να μας βοηθήσει να κατανοήσουμε την τρισδιάστατη φύση των κυττάρων και τις δομές μέσα σε αυτά. Για μια αίσθηση κλίμακας, όλη αυτή η εικόνα είναι περίπου το πλάτος μιας ανθρώπινης τρίχας, περίπου 80 εκατομμυριοστά του μέτρου.
Μεγέθυνση σε ένα από τα κύτταρα, μπορείτε να δείτε πολλές διαφορετικές δομές, όλες από τις οποίες ενδιαφέρουν να μελετηθούν στη βιοϊατρική έρευνα. Για αυτό το έργο, ωστόσο, εστιάζουμε μόνο στον πυρήνα προς το παρόν. Αυτή είναι η μεγάλη ως επί το πλείστον άδεια περιοχή στη μέση, όπου περιέχεται το DNA – το σύνολο οδηγιών για την κατασκευή ολόκληρου του σώματος.
Σχεδιάζοντας με μη αυτόματο τρόπο γραμμές γύρω από τον πυρήνα σε κάθε φέτα, μπορούμε να δημιουργήσουμε ένα τρισδιάστατο μοντέλο που μας επιτρέπει να κάνουμε συγκρίσεις μεταξύ των κυττάρων, για παράδειγμα κατανοώντας εάν μια θεραπεία για μια ασθένεια μπορεί να σταματήσει την εξέλιξή της διαταράσσοντας την ικανότητα των κυττάρων να περνούν στις γενετικές του πληροφορίες.
Κινούμενο gif του τρισδιάστατου μοντέλου ενός πυρήνα
Ωστόσο, οι εικόνες δημιουργούνται τώρα τόσο γρήγορα που ο εσωτερικός δίσκος γεμίζει πολύ γρήγορα για την τυπική μέθοδο „single expert“ – ένα δείγμα μπορεί να παράγει έως και ένα terabyte δεδομένων, που αποτελούνται από περισσότερες από χίλιες εικόνες 64 megapixel που τραβήχτηκαν κατά τη διάρκεια της νύχτας . Χρειαζόμαστε νέα κόλπα!
Γιατί επιστήμη των πολιτών;
Με όλες τις προόδους στο λογισμικό που γίνονται διαθέσιμες, μπορεί να σκεφτείτε ότι η αυτοματοποίηση ανάλυσης εικόνας αυτού του είδους θα ήταν αρκετά απλή για έναν υπολογιστή. Άλλωστε, οι άνθρωποι μπορούν να το κάνουν σχετικά εύκολα. Ακόμη και τα περιστέρια μπορούν να εκπαιδευτούν σε ορισμένες εργασίες ανάλυσης εικόνας! (http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0141357). Ωστόσο, υπάρχει μια μακρά ιστορία υποτίμησης του πόσο δύσκολο είναι να αυτοματοποιηθεί η ανάλυση εικόνας με έναν υπολογιστή. Πίσω στις πολύ πρώτες μέρες της τεχνητής νοημοσύνης το 1966 στο MIT, ο Marvin Minsky (ο οποίος επίσης εφηύρε το ομοεστιακό μικροσκόπιο) και ο συνάδελφός του Seymour Papert έθεσαν το «πρόγραμμα καλοκαιρινής όρασης» το οποίο θεώρησαν ως ένα απλό πρόβλημα για να απασχολήσουν τους προπτυχιακούς φοιτητές τους. οι διακοπές. Πολλές δεκαετίες αργότερα ανακαλύψαμε ότι δεν είναι τόσο εύκολο!
(από https://www.xkcd.com/1425/)
Το έργο μας, Χαράξτε ένα κελί έχει σχεδιαστεί για να επιτρέπει στους πολίτες επιστήμονες να σχεδιάζουν τμηματοποιήσεις απευθείας στις εικόνες μας στη διεπαφή ιστού Zooniverse. Η πρώτη εργασία που έχουμε θέσει είναι να επισημάνουμε το πυρηνικό περίβλημα που χωρίζει τον πυρήνα από το υπόλοιπο κύτταρο – μια ζωτική δομή όπου τα ελαττώματα μπορούν να προκαλέσουν σοβαρά προβλήματα. Αυτές οι τμηματοποιήσεις είναι εξαιρετικά χρήσιμες από μόνες τους για να μας βοηθήσουν να κατανοήσουμε τις δομές, αλλά η επιστήμη των πολιτών προσφέρει κάτι πέρα από τον ήδη υψηλό στόχο της αντιστοίχισης των αποτελεσμάτων ενός ειδικού. Επιτρέποντας σε πολλά άτομα να σχολιάζουν κάθε εικόνα, μπορούμε να δούμε πώς διαφέρουν οι γραμμές από χρήστη σε χρήστη. Αυτή η μεταβλητότητα δίνει μια εικόνα για τη βεβαιότητα ότι ένα δεδομένο εικονοστοιχείο ή περιοχή ανήκει σε ένα συγκεκριμένο αντικείμενο, πληροφορίες που απλά δεν είναι διαθέσιμες από μια γραμμή που σχεδιάστηκε από ένα άτομο. Η διαφορά μεταξύ των ειδικών δεν είναι πρωτάκουστη δυστυχώς!
Οι παρακάτω εικόνες δείχνουν προκαταρκτικά αποτελέσματα με την ανάλυση των ειδικών στα αριστερά και έναν συνδυασμό 5 τμημάτων επιστημόνων πολιτών στα δεξιά.
Παράδειγμα σχολιασμού εμπειρογνώμονα εναντίον επιστήμονα πολιτών
Στην πραγματικότητα, μπορούμε να προχωρήσουμε ακόμη περισσότερο για να μεγιστοποιήσουμε την αξία του έργου των επιστημόνων των πολιτών μας. Ο τομέας της μηχανικής μάθησης, ειδικότερα βαθιά μάθηση, έχει εμφανιστεί στη σκηνή σε πολλούς τομείς τα τελευταία χρόνια, φέρνοντας επανάσταση σε πολλές υπολογιστικές εργασίες. Αυτή η νέα γενιά τεχνικών ανάλυσης εικόνας είναι πολύ πιο στενά ευθυγραμμισμένη με τον τρόπο λειτουργίας της όρασης των ζώων. Το αλίευμα, ωστόσο, είναι ότι το μέρος της «μάθησης» της μηχανικής μάθησης απαιτεί συχνά τεράστιους χρόνους και πόρους (θυμηθείτε ότι είχατε μια ζωή να εκπαιδεύσετε τον εγκέφαλό σας!). Για να εκπαιδεύσετε ένα τέτοιο σύστημα, χρειάζεστε ένα τεράστιο απόθεμα των αποκαλούμενων δεδομένων «βασικής αλήθειας», δηλαδή κάτι που ένας ειδικός έχει προαναλύσει και μπορεί να δώσει τη σωστή απάντηση με την οποία συγκρίνονται οι προσπάθειες του υπολογιστή. Φανταστείτε το ως το είδος της εποπτευόμενης μάθησης που κάνατε στο σχολείο: ίσως επεξεργαστείτε πολλά παλιά έγγραφα εξετάσεων για την προετοιμασία για τους τελικούς σας. Εάν ο υπολογιστής είναι λάθος, τροποποιείτε λίγο τη ρύθμιση και προσπαθείτε ξανά. Παρουσιάζοντας χιλιάδες ή και εκατομμύρια εικόνες και διασφαλίζοντας ότι ο υπολογιστής σας λαμβάνει την ίδια απόφαση με τον ειδικό, μπορείτε να είστε όλο και πιο σίγουροι ότι θα λάβει τη σωστή απόφαση όταν δει ένα νέο κομμάτι δεδομένων. Η χρήση της δύναμης της επιστήμης των πολιτών θα μας επιτρέψει να συλλέξουμε τις τεράστιες ποσότητες δεδομένων που χρειαζόμαστε για να εκπαιδεύσουμε αυτά τα συστήματα βαθιάς μάθησης, κάτι που θα ήταν πρακτικά αδύνατο με οποιοδήποτε άλλο μέσο.
Τώρα καταγράφουμε έντονα εικόνες στις οποίες σκοπεύουμε να ανεβάσουμε Χαράξτε ένα κελί για να μας επιτρέψει να αναλύσουμε δεδομένα από μια σειρά πειραμάτων. Οι διαφορές στον τύπο κυττάρου, στο υποκυτταρικό οργανίδιο, στο μικροσκόπιο, στην προετοιμασία του δείγματος και σε άλλους παράγοντες σημαίνουν ότι οι εικόνες μπορεί να φαίνονται διαφορετικές στα πειράματα, επομένως η ανάλυση κυττάρων από μια σειρά διαφορετικών συνθηκών θα μας επιτρέψει να δημιουργήσουμε έναν άτλαντα πληροφοριών σχετικά με την υποκυτταρική δομή. Τα αποτελέσματα από Χαράξτε ένα κελί θα σημαίνει ότι κάθε φορά που φτάνουν νέα δεδομένα, μπορούμε να εξάγουμε γρήγορα πληροφορίες που θα μας βοηθήσουν να εργαστούμε για θεραπείες και θεραπείες για πολλές διαφορετικές ασθένειες.
