🔬6 эффективных приложений ИИ в науках о жизни [новое эссе]

Науки о жизни и здравоохранение сейчас в центре внимания технологов, отчасти потому, что технологии искусственного интеллекта хорошо подходят для того, чтобы оказывать положительное влияние на ключевые рабочие процессы. В этом эссе я исследую 6 областей наук о жизни, которые предлагают плодотворные применения ИИ. Я надеюсь, что это послужит источником и источником вдохновения для тех из вас, кто заинтересован в работе в этой области.

🔬 Настройка сцены

В 2013 году исследовательское сообщество машинного обучения (ML) продемонстрировало невероятную способность глубоких нейронных сетей, обученных с помощью обратного распространения ошибок на графических процессорах, решать сложные задачи компьютерного зрения. В том же году я защитил докторскую диссертацию по исследованиям рака, которые исследовали генетические регуляторные схемы метастазов рака. В течение следующих 6 лет я заметил, что все больше и больше компьютерных ученых (мы называем их биоинформатиками :) и инженеров-программистов занимаются науками о жизни. Этот приток и естественен, и очень желанен. Почему? Науки о жизни становятся все более количественными дисциплинами благодаря высокопроизводительным омиксам анализам, таким как секвенирование и высококонцентрированным скрининговым анализам, таким как многоспектральная микроскопия с временными рядами. Если мы хотим добиться скачкообразного изменения производительности экспериментов и открытий в науках о жизни, я считаю бесспорным утверждение, что мы отчаянно нуждаемся в рабочих процессах, дополненных программным обеспечением. Это эпоха эмпирических вычислений (подробнее об этом здесь). Но какие проблемы науки о жизни мы должны решать и какие программные подходы мы должны развивать?

Методы искусственного интеллекта в науках о жизни

Я подписываюсь на Nature Methods с самого последнего года учебы в бакалавриате. Глядя на обложку каждого выпуска, я могу проверить, что, по мнению ученых, является новым и захватывающим сегодня. За последние 12 месяцев редко возникала проблема, которая обходилась бы без очерка о новом решении проблемы науки о жизни с помощью машинного обучения. Эти задачи, как правило, раньше «решались» вручную или с помощью хрупкой, основанной на правилах системы 90-х годов. Ниже вы найдете снимок обложек Nature Methods 2018 года. Вы видите тенденцию?

Заголовки газет включают в себя трехмерную микроскопию сверхвысокого разрешения, DeepSequence для определения вариантов, трехмерную сегментацию клеток и отслеживание поведения животных с помощью видеоанализа. Эти задачи включают в себя входные данные большого размера, согласованную таксономию этикеток и большие объемы данных, производство которых становится дешевле в масштабе. Таким образом, методы машинного обучения могут помочь классифицировать, кластеризовать и генерировать новые точки данных для этих задач. Если мы возьмем образцы статей Nature, Nature Methods, Nature Biotechnology и Nature Medicine за последние 5 лет, мы увидим, что на самом деле более 80% статей упоминают «искусственный интеллект» или «глубокое обучение» были опубликованы только за последние 2 года!

6 эффективных приложений ИИ в науках о жизни

Два года назад я написал статью, описывающую 6 областей машинного обучения, за которыми нужно внимательно следить. В этом посте я опишу 6 областей исследований в области наук о жизни, на которые влияют методы искусственного интеллекта. Я описываю, что они собой представляют, почему они важны и как они могут быть применены в реальном мире (то есть за пределами академических кругов или промышленных исследовательских групп). Я начну с малого (молекулы) и перейду к большему (клетки). Жду ваших комментариев и критики 👉 @nathanbenaich.

1. Прогнозирование молекулярных свойств

Открытие лекарств можно рассматривать как задачу оптимизации с несколькими параметрами, которая охватывает огромные масштабы. Успешные лекарственные средства - это те, которые проявляют желаемые молекулярные, фармакокинетические свойства и свойства связывания с мишенью. Эти фармакокинетические и фармакологические свойства выражаются в абсорбции, распределении, метаболизме и экскреции (ADME), а также в токсичности для человека и сродстве связывания белок-лиганд (т.е. лекарство с белком-мишенью). Традиционно эти особенности исследуются эмпирически in vitro с использованием химических анализов и in vivo с использованием моделей на животных. Для этого большинство академических лабораторий будут полагаться на ученых, которые бесконечно пипетируют и переносят небольшие количества жидкостей между пластиковыми флаконами, культурами тканей и различным аналитическим оборудованием. Фармацевтические компании сделают то же самое, но у них может быть бюджет на закупку роботизированного оборудования для автоматизации культивирования тканей и обработки жидкостей.

Существуют также вычислительные методы, которые помогают выяснить молекулярные свойства in silico. Однако большинство вычислительных усилий в той или иной степени основывались на физике, то есть на вычислении энергий на основе квантовой механики или выполнении моделирования на основе термодинамики, или на простом эмпиризме. В отличие от подходов на основе машинного обучения, которые научатся аппроксимировать базовые механизмы целевого процесса на основе необработанных данных, эти основанные на физике вычислительные инструменты будут фиксировать только базовые механизмы, которые разработчики явно закодировали в процессе разработки. Таким образом, с точки зрения машинного обучения, вычислительные инструменты, основанные на физике, по сути, спроектированы по функциям и, следовательно, довольно хрупки и плохо подходят для распределения вне выборки.

За последние два года или около того исследовательское сообщество ML выпустило множество статей, описывающих новые методы глубокого обучения для прогнозирования свойств низкомолекулярных лекарств и белковых терапевтических средств. Драйвер успеха или неудачи этих подходов к машинному обучению лежит в вычислительных представлениях, которые эти модели используют для изучения внутренних правил химии, закодированных в необработанных экспериментальных данных. Вообще говоря, существует три типа представления для химических молекул, которые используются сегодня: расширенный отпечаток связности (ECFP, битовое представление фиксированной длины), упрощенная система ввода строки молекулярного ввода (SMILES, где молекулы по существу представлены в виде линейной строки буквы) и графические представления (где узлы - это атомы, а ребра - химические связи, связывающие атомы). Каждое представление накладывает разные ограничения на производительность модели и способность машины понимать данные. Здесь ECFP извлекается из SMILES, а SMILES извлекается из трехмерных конформаций графа молекулы. Каждый процесс преобразования уничтожает определенный объем данных в обмен на машиночитаемость и вычислимость. Следующий рисунок иллюстрирует эту концепцию. Идеальный сценарий - использовать наиболее полное молекулярное представление, которое может полностью использовать машина.

Привлекательность этих систем глубокого обучения заключается в том, что они могут автоматически изучать основные правила, которые связывают молекулярный состав и структуру с химическими свойствами на основе необработанных экспериментальных данных. Действительно, упомянутые здесь модели ML могут предсказывать ›10 химических свойств с достаточной точностью, чтобы быть полезными для химиков. Что наиболее важно, эти подходы машинного обучения могут генерировать предсказания свойств в 300 000 раз быстрее, чем это потребовалось бы для их моделирования с использованием вычислительно-интенсивных численных приближений к уравнению Шредингера. Это означает, что химику больше не придется проводить серию химических анализов для эмпирического определения химических свойств молекулы. Вместо этого она может нарисовать молекулу в ChemDraw, и модель машинного обучения немедленно вернет ее химические свойства! Можно представить себе использование прогнозов молекулярных свойств в качестве средства оценки крупномасштабных экранов виртуальной библиотеки лекарств. Здесь химик явно оговаривает желаемые свойства, а система скрининга оценивает большую библиотеку молекул по этим свойствам, чтобы получить наиболее подходящих кандидатов. Идя дальше, мы могли бы даже рассмотреть возможность изучения пространства поиска соединений, которые еще предстоит синтезировать, чтобы более рационально направлять усилия по разработке. Все это стало возможным, потому что подходы машинного обучения к вычислительной химии учатся приближать основные механизмы химии после обучения на наборах данных молекул и пар свойств.

2. Создание новых химических структур

По оценкам, 1453 лекарства были одобрены Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) за всю его историю. Если мы возьмем малые молекулы в качестве примера (в отличие от белковых терапевтических средств), большинство библиотек лекарств, которые можно приобрести у поставщиков, поставляются партиями по 1000 различных молекул. Это буквально капля в море, потому что расчетные оценки показывают, что фактическое количество малых молекул могло быть 10⁶⁰ (т. Е. 1 миллион миллиардов миллиардов миллиардов миллиардов миллиардов миллиардов). Это на 10–20 порядков меньше некоторых оценок количества атомов во Вселенной (для читателей, знакомых с историей AlphaGo, это сравнение может показаться знакомым). База данных Chemical Abstracts Service Американского химического общества содержит почти 146 миллионов органических и неорганических веществ, что позволяет предположить, что почти все малые молекулы (›99,9%) никогда синтезированы, изучены и испытаны.

Взятые вместе, эти статистические данные означают, что исследовательские лаборатории могут протестировать только несколько тысяч кандидатов в лекарства в реальном мире. Найдя несколько кандидатов, которые выглядят функционально многообещающими, они часто итеративно исследуют структурные варианты, чтобы определить, есть ли варианты лучше. Это снова требует экспериментов по синтезу и химических анализов. Таким образом, чтобы даже проникнуть в существующие 10⁶⁰ малых молекул, подобных лекарству, нам необходимо использовать программное обеспечение как средство для рационального и автоматического исследования пространства химического дизайна для кандидатов, которые обладают желаемыми свойствами для конкретного показания.

Чтобы решить эту проблему, исследователи машинного обучения обратились к генеративным моделям на основе последовательностей, обученным на больших базах данных химических структур (часто с использованием представлений SMILES). Здесь химия фактически рассматривается как язык со своей грамматикой и набором правил. Генеративные модели способны изучать распределение вероятностей в пространстве молекул, так что они неявно усваивают правила химии. Это несколько сравнимо с тем, как генеративные модели, обученные над корпусом английского текста, могут изучать английскую грамматику. С этой целью в статье 2017 года из Университета Мюнстера и AstraZeneca была представлена ​​рекуррентная нейронная сеть, которая была обучена как генеративная модель для молекулярных структур. Хотя производительность не была самой современной, система могла воспроизводить небольшой процент молекул, обладающих антибактериальным действием. Связанная работа AstraZeneca расширила возможности генератора молекул на основе RNN за счет использования основанного на политике подхода обучения с подкреплением для настройки RNN для задачи создания молекул с заранее определенными желательными свойствами. Авторы показывают, что модель может быть обучена генерировать аналоги противовоспалительного препарата Целекоксиб, подразумевая, что эту систему можно использовать для перескока каркаса или расширения библиотеки, начиная с одной молекулы.

Другие методы ML использовались для создания генераторов молекул. Токийский университет и RIKEN позаимствовали архитектуру AlphaGo для создания системы под названием ChemTS. Здесь система генератора молекул на основе SMILES построена с использованием поиска по дереву Монте-Карло для неглубокого поиска и RNN для развертывания каждого нисходящего пути. Эта же группа также опубликовала эволюционный подход под названием ChemGE, который полагается на генетические алгоритмы для улучшения разнообразия молекул, которые в конечном итоге образуются. Наконец, исследователи из Кембриджского университета применили пару глубоких сетей, обученных как автоэнкодер, для преобразования молекул, представленных в виде строк SMILES, в непрерывное векторное представление. Автоэнкодер был совместно обучен задаче прогнозирования свойств. Наконец, даже генеративные состязательные сети (GAN) были адаптированы для работы непосредственно с данными молекулы графовой структуры. Система MolGAN Амстердамского университета объединяет GAN с целью обучения с подкреплением, чтобы стимулировать генерацию молекул с конкретными желаемыми химическими свойствами. Взятые вместе, эти документы иллюстрируют перспективы ускорения освоения космоса химическим поиском с помощью виртуального скрининга.

3. Планирование химического синтеза.

Теперь, когда мы обсудили методы искусственного интеллекта для исследования пространства химического дизайна и предсказания фармацевтически значимых химических свойств этих молекул, следующей проблемой, которую должен решить искусственный интеллект, будет планирование химического синтеза. Химики используют ретросинтез, чтобы определить наиболее эффективный пошаговый процесс химической реакции для получения интересующей небольшой молекулы. Эта задача похожа (хотя, по общему признанию, более сложная), когда вам дают торт и просят разработать оптимальный список ингредиентов и рецепт, чтобы повторить тот же торт, работая в обратном направлении. Учитывая, что мы говорим о химических реакциях, преобразования из одного состояния молекулы в другое происходят из базы данных успешно проведенных аналогичных реакций с аналогичными исходными материалами. Эти реакции часто носят имя своих научных первооткрывателей. Химики интуитивно выбирают из этих реакций, смешивают и сопоставляют и эмпирически оценивают эффективность, с которой каждая реакция генерирует достаточный выход желаемого продукта. Если молекула не реагирует так, как было предсказано, это «вне сферы действия». Если молекула реагирует так, как было предсказано, она находится «в пределах видимости». Предсказать, что произойдет, сложно и сложно.

Для решения этой задачи исследователи из Университета Мюнстера и Шанхайского университета разработали систему ​​для планирования быстрого химического синтеза. Система использует три нейронные сети и поиск по дереву Монте-Карло (вместе называемые 3N-MCTS). Он был обучен 12,4 миллионам одностадийных реакций, что по сути является всеми реакциями, когда-либо опубликованными в истории органической химии. Перефразируя их введение, Первая нейронная сеть (политика расширения) направляет поиск в многообещающих направлениях, предлагая ограниченное количество автоматически извлекаемых преобразований. Затем вторая нейронная сеть предсказывает, возможны ли предложенные реакции (по объему). Наконец, чтобы оценить значение позиции, преобразования выбираются из третьей нейронной сети на этапе развертывания .

Что интересно, их метод намного быстрее, чем современное планирование синтеза с помощью компьютера. Фактически, 3N-MCTS решает более 80% тестового набора молекул с ограничением по времени 5 секунд на целевую молекулу. Напротив, подход под названием лучший первый поиск, при котором функции изучаются через нейронную сеть, может решить 40% тестового набора. Наилучший первый поиск, созданный с использованием эвристических функций с ручным кодированием, работает хуже всего: он решает 0% за 5 секунд. Однако, если обеспечить бесконечное время выполнения, три подхода сходятся к одной и той же производительности. Можно представить, что автоматизированные методы планирования химического синтеза, такие как 3N-MCTS, должны быть связаны с подходами виртуального скрининга, чтобы избавить химиков от тяжелой работы.

4. Прогноз структуры белка.

Когда мы думаем о здоровье и болезнях, мы часто обращаем внимание на генетику. Однако проявление фенотипов на самом деле осуществляется белками, которые кодируются нашей генетикой. Например, мутировавшие гены могут кодировать ошибочные белки, которые неправильно ведут себя в путях, ответственных за деление клеток, что может способствовать возникновению рака. Более того, лекарства, которые мы принимаем для лечения состояний здоровья, действуют путем связывания с другими белками или ДНК, чтобы модулировать клеточные процессы, лежащие в основе этого состояния. Более того, мы живем в трехмерном мире (со временем как четвертым измерением). Это означает, что понимание того, как работают белки и как они способствуют здоровью и болезням, значительно упрощается благодаря их трехмерной структуре, а не только их аминокислотной последовательности.

Проблема, однако, в том, что создание трехмерной структуры для белка является дорогостоящим, сложным и требует много времени. Процесс требует, чтобы представляющий интерес белок был изолирован, очищен, кристаллизован и подвергнут воздействию рентгеновских лучей, чтобы измерить, как лучи дифрагируют от поверхности кристалла. В результате в организме человека белков на порядки больше, чем кристаллических структур, доступных в общедоступных базах данных. Количество полных аминокислотных последовательностей также на порядки превышает количество кристаллических структур, доступных в общедоступных базах данных. Поэтому исследователи годами работали над компьютерным предсказанием трехмерной структуры белка по его аминокислотной последовательности. Это «проблема сворачивания белка».

Недавно DeepMind опубликовала систему под названием AlphaFold, которая использует две глубокие остаточные сверточные нейронные сети (CNN), чтобы достичь нового уровня техники для предсказания сворачивания белков. В частности, система предсказывает (а) расстояния между парами аминокислот и (б) углы между химическими связями, которые соединяют эти аминокислоты. Предсказывая, насколько близки пары аминокислот друг к другу, система создает карту расстояний до белка. Эту карту можно экстраполировать для создания трехмерной структуры или сопоставления с существующей базой данных. Для более подробного критического обзора работы, выходящей за рамки этой статьи, ознакомьтесь с этим постом. Теоретически AlphaFold может позволить ученым создавать de novo трехмерные белковые структуры для новых белков, которые они открывают, или для известных белков, которые еще предстоит кристаллизовать.

Более того, можно представить, что AlphaFold интегрируется в конвейеры разработки лекарств как дополнительный сигнал для предсказания, действительно ли интересующее лекарство связывается со своей мишенью, и если да, то с каким сродством.

Требуется дополнительная работа, чтобы расширить AlphaFold для прогнозирования трехмерной структуры белковых комплексов (то есть нескольких отдельных белков, работающих вместе) и сделать прогнозы системы более надежными. Что касается первого пункта, недавнее исследование из Стэнфорда показало, что сиамская сеть атомных поверхностей может помочь. Их система представляет собой метод сквозного обучения для предсказания интерфейса белков, который использует представления, полученные из необработанных пространственных координат и идентичностей атомов в качестве входных данных. Эта сеть предсказывает, какие поверхности одного белка связываются с какими поверхностями другого белка. Стоит отметить, что трехмерная конформация белков до, во время и после связывания может значительно измениться, а также зависит от их окружения. Такие модели должны быть чрезвычайно гибкими, чтобы учитывать такие реальные нюансы.

5. Идентификация белков с помощью масс-спектрометрии.

Чтобы выяснить движущие силы здоровья и болезни, мы должны различать, какие гены и белки функционально связаны с интересующим фенотипом. Для этого мы могли бы разработать эксперименты, в которых мы индуцируем фенотип заболевания и сравниваем геномный и протеомный профили больных клеток со здоровыми клетками. Если мы сосредоточимся на протеоме, ключевой метод идентификации и количественной оценки белков, их комплексов, субъединиц и функциональных взаимодействий, присутствующих в смеси клеток, называется масс-спектрометрией белков. Вкратце, этот протокол работает, беря образец смеси белков, разделяя составляющие пептиды (короткие последовательности аминокислот), ионизируя их и разделяя на спектре в соответствии с их содержанием и соотношением масса / заряд. Результатом является гистограмма (называемая хроматограммой) различных способов фрагментирования пептида, где каждый фрагмент отображается в виде пика на графике. Ученый должен интерпретировать этот образец пиков, чтобы найти отпечатки пальцев, уникальные для определенных пептидов, составляющих цельный белок. Только так они могут реконструировать популяцию белков в смеси образцов.

Несмотря на то, что существует множество программных инструментов с открытым исходным кодом и проприетарных программных средств для анализа данных масс-спектрометрии, основная проблема интерпретации данных заключается в том, что существует мало достоверных пар между пептидами и спектрами. Это означает, что методы машинного обучения в этой области должны иметь возможность использовать существующие зашумленные метки для достижения прогресса. Недавняя работа от GoogleAI, Calico Life Sciences и InSitro представляет систему глубокого обучения под названием DeepMatch (схема ниже), которая может идентифицировать пептиды, соответствующие заданному спектру масс, на основе зашумленных меток из классических алгоритмов. Модель также обучена различать истинные истинные спектры и фиктивные синтетические отрицательные спектры, чтобы помочь в преодолении переобучения. DeepMatch обеспечивает улучшение на 43% по сравнению со стандартными методами сопоставления и на 10% по сравнению с комбинацией метода сопоставления и стандартного отраслевого инструмента перераспределения перекрестных спектров.

Можно себе представить, что такие методы, как DeepMatch, являются частью ранних этапов открытия лекарств, когда ученым необходимо быстро, масштабируемо и более надежно количественно определять белки-кандидаты, которые имеют потенциально причинную связь с интересующим фенотипом заболевания. Интересно, что методы ML, применяемые к масс-спектрометрии, также могут быть использованы для химикатов, где задача состоит в том, чтобы предсказать присутствие субструктур по масс-спектру и сопоставить эти субструктуры со структурами-кандидатами.

6. Автоматический анализ экспериментальных данных изображения.

Хотя виртуальный скрининг очень привлекателен, мощность этих вычислительных моделей зависит от трех ключевых факторов. К ним относятся архитектура модели, используемое представление данных и доступность высококачественных достоверных данных. Чтобы эмпирические вычисления оправдали свои ожидания, мы должны замкнуть цикл обратной связи между вычислениями и реальным миром с помощью рационально управляемых влажных лабораторных экспериментов, таких как секвенирование omics и высококонтрастная микроскопия. Эти результаты служат нашей основной истиной. Однако по мере роста объемов, размеров и разрешающей способности базовых и экспериментальных наборов данных методы, которые мы используем для анализа данных, также должны быть обновлены с помощью более гибких и надежных замен на основе машинного обучения.

Давайте рассмотрим высокопроизводительный скрининг лекарств с использованием раковых клеток человека, культивированных in vitro, в качестве нашей модельной системы. Предположим, что мы проводим эксперимент по созданию гипотез, в котором тестируются многие отдельные лекарственные препараты-кандидаты и их комбинации на предмет их способности останавливать деление клеток рака груди человека. Чтобы обнаружить раковые клетки, которые больше не делятся, мы должны обнаружить и количественно оценить маркеры этого клеточного состояния. Мы могли бы быть заинтересованы в локализации ядра клетки, ее цитоскелета, а также белков, которые регулируют деление клетки и отмечают стадию ее клеточного цикла. Используемый нами метод «рабочей лошадки» включает связывание флуоресцентного антитела с выбранным белковым маркером, чтобы мы могли локализовать и количественно оценить степень его присутствия или отсутствия в клетке с помощью флуоресцентной микроскопии. Это называется иммунофлуоресценцией. У этого протокола есть несколько технических проблем и проблем, связанных с рабочим процессом. Например, подготовка образцов и окрашивание являются довольно трудоемкими, результаты чувствительны к концентрациям мишени и зонда, протокол довольно непоследователен и является окончательным в том смысле, что образец не может быть повторно использован впоследствии. Мы также ограничены в количестве белков, которые мы можем визуализировать, из-за перекрытия спектра флуоресценции. Наконец, мы лишь «освещаем» то, что считаем важным для аналитических целей. Клетки - невероятно сложные организмы, и мы вполне можем упускать ключевые особенности, которые помогают нам понять их биологию.

Вернувшись к началу этой статьи, компьютерное зрение сделало шаг вперед в изучении сложных функций в 2D- и 3D-изображениях благодаря глубокому обучению. Это означает, что мы должны иметь возможность применять глубокое обучение для автоматизации анализа высококонтрастных микроскопических изображений. В прошлом году сотрудничество под руководством UCSF и Google привело к созданию системы глубокого обучения, способной надежно предсказывать несколько флуоресцентных меток (ядра, тип клеток, состояние клеток) на основе немаркированных изображений биологических образцов, полученных с помощью микроскопии в проходящем свете. Метод согласован, потому что он вычислительный и не ограничен спектральным перекрытием. Что еще более важно, прогнозы in silico означают, что нам больше не нужно тратить образец на иммунофлуоресценцию. Обученная сеть также демонстрирует трансфертное обучение, что означает, что как только она научится предсказывать набор меток, она может изучать новые метки с небольшим количеством дополнительных данных.

В то время как это исследование предсказывало иммунофлуоресценцию в двух измерениях, исследование Института Аллена в Сиэтле продемонстрировало, что система делает то же самое, но в трех измерениях. Таким образом, этот метод может генерировать мультиструктурные интегрированные изображения, а также может быть расширен для прогнозирования иммунофлуоресценции по электронным микрофотографиям (более подробные изображения меньших клеточных структур с большим увеличением). В документе Института Аллена использовалась архитектура U-Net CNN, разработанная Олафом Ронненбергером. Действительно, группа Олафа недавно применила U-Net для автоматического подсчета, обнаружения и морфометрии клеток, который стал простым плагином к популярному (но очень простому) программному инструменту анализа изображений под названием ImageJ. Побочная шутка: у меня всегда было ощущение, что ImageJ похож на Microsoft Paint для биологов 😂. U-Net также использовался DeepMind и глазной больницей Морфилда в их статье Nature Medicine для сегментирования изображений оптической компьютерной томографии глаза. Наконец, GAN оказались полезными для преобразования входных изображений с дифракционным ограничением в изображения со сверхвысоким разрешением, что в один прекрасный день может избавить от необходимости использовать дорогие микроскопы сверхвысокого разрешения. Действительно, исследование Калифорнийского университета в Лос-Анджелесе разработало основу для улучшения разрешения широкоугольных изображений, полученных с помощью объективов с малой числовой апертурой, в соответствии с разрешением, получаемым с помощью объективов с высокой числовой апертурой. Аккуратный! В совокупности очевидно, что методы компьютерного зрения, применяемые в микроскопии, сделают возможным более надежную и автоматизированную интерпретацию визуальных данных. Это потенциально может открыть новые вопросы и предложить новые взгляды на наше нынешнее понимание биологии.

Заключение

Я надеюсь, что это эссе пролило свет на текущий прогресс в области применения искусственного интеллекта в науках о жизни и указывало на огромный потенциал, открывающийся перед нами. Эта статья ни в коем случае не является исчерпывающей и в некоторой степени отражает мое личное пристрастие к тому, что я считаю важным и интересным с научной точки зрения. Если вы хотите, чтобы я включил или представил вашу работу, не стесняйтесь обращаться к нам в комментариях или напишите мне 👉 @nathanbenaich.