人工智能在细胞培养中的应用

**摘要：传统的细胞培养均为人工手动操作，需要采取特定措施防止细胞被微生物污染，耗费大量人力物力，误差也会比较大，而若采用人工智能全自动化操作，就能避免因人体可能带来的微生物污染和其他有害因素，更快、更精准地调配、搭建出生物细胞适宜的生存环境。现在，细胞培养已经可以减少人手来进行重复的工作，有先进的机器代替重复的人工作业，效率大大提升。利用人工智能识别的细胞内DNA结构、利用人工智能识别的细胞2D结构，可以很清晰地看到DNA链，时间波形与随机模式强度分布的组合使之能在计算机上重建细胞形态，可以直接在压缩波形上应用机器学习而不用进行图像重构，实现高效的基于图像的无形态学细胞检测。这种方法将用于识别和分选患者血液中的循环肿瘤细胞，加速药物发现和改进基于细胞疗法的疗效。**

**关键词：细胞培养 人工智能 自动化 细胞识别与分选 细胞3D结构**

---

## 细胞培养介绍

细胞培养（cell culture）是指在体外模拟体内环境（无菌、适宜温度、酸碱度和一定营养条件等），使之生存、生长、繁殖并维持主要结构和功能的一种方法。

细胞培养是一种无菌操作技术,要求工作环境和条件必须保证无微生物污染和不受其他有害因素的影响 。而传统的细胞培养均为人工手动操作，需要采取特定措施防止细胞被微生物污染，但如果采用人工智能全自动化操作，就能避免因人体可能带来的微生物污染和其他有害因素。

各种细胞都有自己比较适应的生存环境，因此应指明使用的培养基、血清种类、用量以及细胞生存的适宜pH等。如果使用传统的细胞培养进行人工手动操作，将耗费大量人力物力，误差也会比较大，而若采用人工智能全自动化操作，就能更快、更精准地调配、搭建出生物细胞适宜的生存环境。

细胞培养也叫细胞克隆技术，在生物学中的正规名词为细胞培养技术。不论对于整个生物工程技术，还是其中之一的生物克隆技术来说，细胞培养都是一个必不可少的过程，细胞培养本身就是细胞的大规模克隆。

细胞培养技术可以由一个细胞经过大量培养成为简单的单细胞或极少分化的多细胞，这是克隆技术必不可少的环节，而且细胞培养本身就是细胞的克隆。

细胞培养技术是细胞生物学研究方法中重要和常用技术，通过细胞培养既可以获得大量细胞，又可以借此研究细胞的信号转导、细胞的合成代谢、细胞的生长增殖等 。

1977 年，Daniel Wang 建立了基于计算机控制的大规模细胞培养，开辟了计算机辅助控制细胞培养的先河。2014 年 Karl 和 Outi 等 开发一种方法使来自八细胞胚胎的单细胞培育成为可能，意味着可以用一个细胞大规模地生成干细胞，为干细胞治疗带来了希望。如今正处于大数据时代，基于大数据的智能生物制造顺应时代发展。2018 年，为满足国家战略的需求，针对世界干细胞与再生医学的发展趋势、我国干细胞与再生医学技术需求及干细胞装备研发现状，中国科学院广州生物医药与健康研究院以原创新技术为核心，利用院内国际领先的 iPSC 技术、干细胞诱导分化技术等研究成果，结合自动化诱导、培养技术，研发出具有自主知识产权的全自动干细胞诱导培养设备 。

2019 年美国工程生物学会联盟提出“基于多组学数据的机器学习的 DBTL 循环支持系统”理论，从多尺度逐步发展为数据科学及智能化，将成为我国生物工程领域进步的一项重要内容 。在基因治疗方面，Yang 等 利用合成生物学方法开发出一种简单、稳定的光调控基因表达系统（light on），可以精确定位、定量、定时控制功能基因的表达，在生物治疗领域具有非常广阔的前景。

---

## 人工智能介绍

人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。

从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展 。

---

## 细胞培养系统实现自动化

细胞培养的应用虽然不是无限的，但也是丰富的。每种细胞类型、下游应用和使用案例都有一定的独特性。每一种新的应用，实验室团队都必须学习细胞类型的特点，重新定义最佳的生长条件，或购买专利方法的权利。

一些细胞类型的蛋白质生产机制可以被利用来产生大量的治疗性蛋白质。原发性肿瘤细胞的复杂、病态可能被用来评估对药物化合物的反应，甚至可能找到一个独特的生物标志物 "签名 "来解释一个过于积极或消极的结果。一些永生化的细胞被储存起来，以便以后用于质量控制试验。其他细胞类型可用于量化基因组、转录组和蛋白质组对外部刺激的反应 。

在细胞培养分析过程中，每次在显微镜下进行视觉检查时，都会对细胞和培养物整体进行观察和判断。

> * 培养基中是否有污染物？
> * 细胞是否受压，也许如颗粒所显示的那样？
> * 培养皿中细胞的密度是多少，它们是否过于拥挤？
> * 细胞的形态是什么，是否与预期一致？
> * 它是否已经准备好进行下一步的方案？

任何这些视觉观察都会影响细胞，从而影响实验。每个细胞类型及其相关实验的独特性要求判断是一致的和可重复的，以获得最佳结果。虽然有无数的硬件可以实现物理操作过程的自动化，但对视觉观察的依赖意味着每个操作者都需要有经验的高级操作者对该特定细胞进行广泛的实践培训，以做出正确的判断和决定，这种对资深专家的严重依赖会造成瓶颈和对发现的限制 。

因此如何利用人工智能实现自动化决策来简化流程并协助操作员进行细胞培养分析是当前细胞培养研究领域的一大重点。有了人工智能和机器学习，实验室现在可以采用自动决策工具，不仅可以支持细胞培养分析，还可以简化它。一个定制的工具将使组织能够有效地与他们的细胞一起发展，并且以一种不同的方法可以很容易地应用于不同的细胞类型，而不是一个主要由人工驱动的过程。

在这个新的环境中，人工智能和机器学习工具可以减少人类操作者的负担，减少材料的浪费，减少过程的主观性，以努力实现实验室自动化。该过程变得更加可扩展，扩展了团队的能力。与其让一个操作员学习和维护十种不同的细胞类型，每一种都与上一种有些不同，不如让同一个操作员现在有这个机器学习工具充当他们的眼睛和耳朵。资深操作人员不用花几周甚至几个月的时间来培训初级操作人员的特定细胞类型，而是由实验室里的任何人，甚至是最年轻的操作人员，都可以使用经过培训的模型。如果一个有经验的操作者离开，带走了多年的知识和专长，已建立的模型确保对既定过程的质量和一致性没有影响。同样的模型可以作为新细胞类型和研究的起点。

机器人 365 公司是 2017 年刚成立的公司，非常年轻，但实力强劲。主营业务是医疗机器人的研发、生产和销售，干细胞培育机器人领创者，提供智慧医疗行业系统解决方案。致力于为医疗行业开发易于操作、使用灵活、安全性高的智能化机器人，以帮助用户提高工作效率、降本增效 。

现在，细胞培养已经可以减少人手来进行重复的工作，有先进的机器代替重复的人工作业，效率大大提升。Li 等通过四元隔膜泵、计算机、可编程逻辑控制器（PLC），耦联在线传感器，对疫苗产品纯化色谱中 pH 值和电导率实现自动化精准控制 。

全自动化的细胞培养系统可实现接种、培养液更换、 细胞采收、冲洗、胰蛋白酶处理、废料处理等自动化操作。在 GMP A 级洁净等级下，机器人动作需要非常平稳缓和，以确保不会对脆弱的细胞产生破坏。所有操作参数均储存在电脑端，包括体积、温度、时间和特定的机器人动作。

人工智能细胞培养系统可以广泛应用于干细胞培育实验室、微生物实验室、有/无毒气体实验室等各种各样的医学研究试验室中。让操作人员通过简便的控制界面，只需简单培训，就能轻松按照实验要求修改参数或重新编程，用于任何特殊细胞株操作或其他动作。为医疗行业应用易于操作、使用灵活、安全性高的智能化机器人，帮助医疗行业提高工作效率、降本增效。

---

## 标记和识别细胞的 3D 结构

荧光显微技术（fluorescence microscopy）虽然很常用，但在标记和识别细胞3D结构方面遇到了麻烦。

首先，可供使用的颜色很少，无法完整地标记细胞结构；其次，试剂成本很高且使用起来麻烦；最后，染色剂以及成像过程对活细胞有害。在这种情况下，投射白光（明视野显微镜技术）就派上了用场，利用该技术的细胞成像不依赖标记，也就不会遇到荧光显微技术带来的一些问题。

Rafelski 团队将荧光显微技术和投射白光技术结合了起来，从而利用人工智能（AI）在明视野图像上预测荧光标记的形状 。下图显示的是目标细胞的真实显影图像、利用人工智能识别的细胞内 DNA 结构、利用人工智能识别的细胞 2D 结构，可以很清晰地看到 DNA 链。

![目标细胞的真实显影图像、利用人工智能识别的细胞内 DNA 结构、利用人工智能识别的细胞 2D 结构，可以很清晰地看到 DNA 链](https://cloud.wangyan.life/d/wangyan.life/Pictures/2-Skills/0005-0001.webp)

Finkbeiner 团队用训练系统来识别 2D 图像中的神经元，然后挑出细胞核，确定给定的细胞是否活着。他的研究的主要目的是向科学家表明，图像数据中的信息可能比人类意识到的还要多。Finkbeiner 团队称其技术为「in silico labeling（ISL）」，译为“电子标签”。ISL 能直接从未标记的固定样本或活体样本的透射光影像中预测多种荧光标记 。

下图是该模型的训练过程，在这个过程中要不断给模型输入已有的细胞显影图片，让其实现预测功能。

![训练过程](https://cloud.wangyan.life/d/wangyan.life/Pictures/2-Skills/0005-0002.webp)

然而，这种方法无法识别运动神经元。这些预测只有在 AI 能够使用一些可见线索的情况下才会起作用。

Collman、Johnson 以及在艾伦研究所的同事使用了一种不同的神经网络来解决 Rafelski 的问题，建立了一个叫做 U-Net 的系统 ，这个系统为生物图像而开发。与 Finkbeiner 的方法不同，这个模型可处理 3D 显微照片，研究人员可以常规使用该技术，例如，在染色质组织研究中识别核标记。

![U-Net 系统](https://cloud.wangyan.life/d/wangyan.life/Pictures/2-Skills/0005-0003.webp)

---

## 细胞识别与分选

2015 年，日本机器人和自动化专家 Ota 带领团队研发了一种新的细胞识别和分选系统，称之为鬼影细胞测定仪（ghost cytometry） 。该系统将一种新的成像技术与人工智能技术结合，用于识别和分选细胞，不需使用空间分辨探测器即能产生物体图像，基于单像素探测器的无图像超快荧光“成像”细胞术从细胞运动中获取空间信息，而后被压缩转换成在单像素探测器上连续到达的信号。

鬼影细胞测定仪以每秒 1 万多个细胞的速度识别细胞，以每秒数千个细胞的速度对细胞进行分类。此外，时间波形与随机模式强度分布的组合使之能在计算机上重建细胞形态，可以直接在压缩波形上应用机器学习而不用进行图像重构，实现高效的基于图像的无形态学细胞检测。

这种方法将用于识别和分选患者血液中的循环肿瘤细胞，加速药物发现和改进基于细胞疗法的疗效。

在 2021 年的基因组生物学和技术进展大会上（Advances in Genome Biology and Technology, AGBT），创新型生物公司 Deepcell 展示了其最新的技术进展。

Deepcell 利用人工智能技术根据细胞形态差异实现高精度、可重复、无偏差的鉴定和分类，同时保持细胞活力 。迄今为止，Deepcell 的人工智能分类器已经训练了数千万张多种类型的细胞图像，作为该公司快速增长的细胞形态学图谱的一部分，它能够准确地区分各种免疫细胞亚型、各种癌症细胞和基质细胞 。

该系统的基本原理是一个专有的微流体台式仪器，它允许在线细胞成像，以监督和非监督分类和排序，目前已发展为存有 10 亿细胞图像信息的数据库 ，基于如此庞大的数据集，研究人员可以在不同的层面进行深度挖掘。

这种基于人工智能的细胞识别技术，大大优于基于细胞表面标记的技术，因为后者存在可用标记物和检测通道数量的限制性，同时，选择表面蛋白需要丰富的生物学知识，以及蛋白质特异性抗体的可用性。虽说现在已经开发出了几种微流控细胞分选技术，可以在不依赖分子表面标记的情况下分离细胞，但这些方法仍然依赖于预定的形态学特征，如细胞大小、变形性或其它可观察到的表型特征。

除此之外，通过 Deepcell 平台分类的细胞仍然具有活力，可以用于任何下游的分子分析，产生的结果不受干扰，甚至可以对这些分离出的细胞进行体外培养。同时， 该技术也非常适合单细胞多组学分析，从而实现细胞形态定性与多组学方法的集成，以达到对细胞生物学前所未有的深度认识。也就是说，这种人工智能技术可以基于形态学特征分离和捕获几乎任何细胞群体，它可以用于各种研究和应用开发。这项技术的普及会将细胞形态带入数字时代，就像高性能计算使基因组学和转录组学取得巨大进步一样，而 Deepcell 显然已跻身该领域的前列。

该技术可以分离发生频率低至 10 亿分之一的细胞，其潜在应用领域包括单细胞基因组学、液体活检、产前诊断、特定疾病状态下细胞和分子相互作用的表征以及药物开发等。

综上所述，Deepcell 通过结合人工智能、细胞分类和捕获以及单细胞分析等方面的进展，通过前所未有的细胞生物学视角，提供新颖的见解，帮助推进精准医学，通过持续的人工智能学习并在没有偏倚的情况下对细胞进行分类。Deepcell 平台分离出的细胞仍然维持细胞活力，能够用于下游的单细胞分析，同时该技术可以用于分离几乎任何类型的细胞，甚至是出现频率低至十亿分之一的细胞。未来，该技术将作为一种服务用于转化研究、诊断和治疗开发。

---

## 总结与展望

基于深度学习的人工智能技术有望克服组织学和细胞学视觉评分系统主观性强、重复性差、准确率低等问题，减少甚至避免漏诊和误诊。

利用人工智能技术能准确提取与肿瘤预后和疗效相关的内部特征，如肿瘤间质比（TSR）、神经侵犯和淋巴细胞空间分布；图像化显示药物干预疾病进展的疗效，定量化和自动化评分与临床治疗、分型和预后相关的分子标志物。

人工智能技术将会极大推动临床药物评价和基础科研评价的一致性、重复性和准确性，有望进一步促进医学科研的发展。

**关键词：细胞培养 人工智能 自动化 细胞识别与分选 细胞3D结构**

---

## 细胞培养介绍

&emsp;&emsp;细胞培养（cell culture）是指在体外模拟体内环境（无菌、适宜温度、酸碱度和一定营养条件等），使之生存、生长、繁殖并维持主要结构和功能的一种方法。

&emsp;&emsp;细胞培养是一种无菌操作技术,要求工作环境和条件必须保证无微生物污染和不受其他有害因素的影响 。而传统的细胞培养均为人工手动操作，需要采取特定措施防止细胞被微生物污染，但如果采用人工智能全自动化操作，就能避免因人体可能带来的微生物污染和其他有害因素。

&emsp;&emsp;各种细胞都有自己比较适应的生存环境，因此应指明使用的培养基、血清种类、用量以及细胞生存的适宜pH等。如果使用传统的细胞培养进行人工手动操作，将耗费大量人力物力，误差也会比较大，而若采用人工智能全自动化操作，就能更快、更精准地调配、搭建出生物细胞适宜的生存环境。

&emsp;&emsp;细胞培养也叫细胞克隆技术，在生物学中的正规名词为细胞培养技术。不论对于整个生物工程技术，还是其中之一的生物克隆技术来说，细胞培养都是一个必不可少的过程，细胞培养本身就是细胞的大规模克隆。

&emsp;&emsp;细胞培养技术可以由一个细胞经过大量培养成为简单的单细胞或极少分化的多细胞，这是克隆技术必不可少的环节，而且细胞培养本身就是细胞的克隆。

&emsp;&emsp;细胞培养技术是细胞生物学研究方法中重要和常用技术，通过细胞培养既可以获得大量细胞，又可以借此研究细胞的信号转导、细胞的合成代谢、细胞的生长增殖等 。

&emsp;&emsp;1977 年，Daniel Wang 建立了基于计算机控制的大规模细胞培养，开辟了计算机辅助控制细胞培养的先河。2014 年 Karl 和 Outi 等 开发一种方法使来自八细胞胚胎的单细胞培育成为可能，意味着可以用一个细胞大规模地生成干细胞，为干细胞治疗带来了希望。如今正处于大数据时代，基于大数据的智能生物制造顺应时代发展。2018 年，为满足国家战略的需求，针对世界干细胞与再生医学的发展趋势、我国干细胞与再生医学技术需求及干细胞装备研发现状，中国科学院广州生物医药与健康研究院以原创新技术为核心，利用院内国际领先的 iPSC 技术、干细胞诱导分化技术等研究成果，结合自动化诱导、培养技术，研发出具有自主知识产权的全自动干细胞诱导培养设备 。

&emsp;&emsp;2019 年美国工程生物学会联盟提出“基于多组学数据的机器学习的 DBTL 循环支持系统”理论，从多尺度逐步发展为数据科学及智能化，将成为我国生物工程领域进步的一项重要内容 。在基因治疗方面，Yang 等 利用合成生物学方法开发出一种简单、稳定的光调控基因表达系统（light on），可以精确定位、定量、定时控制功能基因的表达，在生物治疗领域具有非常广阔的前景。

---

## 人工智能介绍

&emsp;&emsp;人工智能是计算机学科的一个分支，二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。也被认为是二十一世纪三大尖端技术（基因工程、纳米科学、人工智能）之一。这是因为近三十年来它获得了迅速的发展，在很多学科领域都获得了广泛应用，并取得了丰硕的成果，人工智能已逐步成为一个独立的分支，无论在理论和实践上都已自成一个系统。

&emsp;&emsp;人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

&emsp;&emsp;人工智能将涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。

&emsp;&emsp;从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展 。

---

## 细胞培养系统实现自动化

&emsp;&emsp;细胞培养的应用虽然不是无限的，但也是丰富的。每种细胞类型、下游应用和使用案例都有一定的独特性。每一种新的应用，实验室团队都必须学习细胞类型的特点，重新定义最佳的生长条件，或购买专利方法的权利。

&emsp;&emsp;一些细胞类型的蛋白质生产机制可以被利用来产生大量的治疗性蛋白质。原发性肿瘤细胞的复杂、病态可能被用来评估对药物化合物的反应，甚至可能找到一个独特的生物标志物 "签名 "来解释一个过于积极或消极的结果。一些永生化的细胞被储存起来，以便以后用于质量控制试验。其他细胞类型可用于量化基因组、转录组和蛋白质组对外部刺激的反应 。

&emsp;&emsp;在细胞培养分析过程中，每次在显微镜下进行视觉检查时，都会对细胞和培养物整体进行观察和判断。

&emsp;&emsp;任何这些视觉观察都会影响细胞，从而影响实验。每个细胞类型及其相关实验的独特性要求判断是一致的和可重复的，以获得最佳结果。虽然有无数的硬件可以实现物理操作过程的自动化，但对视觉观察的依赖意味着每个操作者都需要有经验的高级操作者对该特定细胞进行广泛的实践培训，以做出正确的判断和决定，这种对资深专家的严重依赖会造成瓶颈和对发现的限制 。

&emsp;&emsp;因此如何利用人工智能实现自动化决策来简化流程并协助操作员进行细胞培养分析是当前细胞培养研究领域的一大重点。有了人工智能和机器学习，实验室现在可以采用自动决策工具，不仅可以支持细胞培养分析，还可以简化它。一个定制的工具将使组织能够有效地与他们的细胞一起发展，并且以一种不同的方法可以很容易地应用于不同的细胞类型，而不是一个主要由人工驱动的过程。

&emsp;&emsp;在这个新的环境中，人工智能和机器学习工具可以减少人类操作者的负担，减少材料的浪费，减少过程的主观性，以努力实现实验室自动化。该过程变得更加可扩展，扩展了团队的能力。与其让一个操作员学习和维护十种不同的细胞类型，每一种都与上一种有些不同，不如让同一个操作员现在有这个机器学习工具充当他们的眼睛和耳朵。资深操作人员不用花几周甚至几个月的时间来培训初级操作人员的特定细胞类型，而是由实验室里的任何人，甚至是最年轻的操作人员，都可以使用经过培训的模型。如果一个有经验的操作者离开，带走了多年的知识和专长，已建立的模型确保对既定过程的质量和一致性没有影响。同样的模型可以作为新细胞类型和研究的起点。

&emsp;&emsp;机器人 365 公司是 2017 年刚成立的公司，非常年轻，但实力强劲。主营业务是医疗机器人的研发、生产和销售，干细胞培育机器人领创者，提供智慧医疗行业系统解决方案。致力于为医疗行业开发易于操作、使用灵活、安全性高的智能化机器人，以帮助用户提高工作效率、降本增效 。

&emsp;&emsp;现在，细胞培养已经可以减少人手来进行重复的工作，有先进的机器代替重复的人工作业，效率大大提升。Li 等通过四元隔膜泵、计算机、可编程逻辑控制器（PLC），耦联在线传感器，对疫苗产品纯化色谱中 pH 值和电导率实现自动化精准控制 。

&emsp;&emsp;全自动化的细胞培养系统可实现接种、培养液更换、 细胞采收、冲洗、胰蛋白酶处理、废料处理等自动化操作。在 GMP A 级洁净等级下，机器人动作需要非常平稳缓和，以确保不会对脆弱的细胞产生破坏。所有操作参数均储存在电脑端，包括体积、温度、时间和特定的机器人动作。

&emsp;&emsp;人工智能细胞培养系统可以广泛应用于干细胞培育实验室、微生物实验室、有/无毒气体实验室等各种各样的医学研究试验室中。让操作人员通过简便的控制界面，只需简单培训，就能轻松按照实验要求修改参数或重新编程，用于任何特殊细胞株操作或其他动作。为医疗行业应用易于操作、使用灵活、安全性高的智能化机器人，帮助医疗行业提高工作效率、降本增效。

---

## 标记和识别细胞的 3D 结构

&emsp;&emsp;荧光显微技术（fluorescence microscopy）虽然很常用，但在标记和识别细胞3D结构方面遇到了麻烦。

&emsp;&emsp;首先，可供使用的颜色很少，无法完整地标记细胞结构；其次，试剂成本很高且使用起来麻烦；最后，染色剂以及成像过程对活细胞有害。在这种情况下，投射白光（明视野显微镜技术）就派上了用场，利用该技术的细胞成像不依赖标记，也就不会遇到荧光显微技术带来的一些问题。

&emsp;&emsp;Rafelski 团队将荧光显微技术和投射白光技术结合了起来，从而利用人工智能（AI）在明视野图像上预测荧光标记的形状 。下图显示的是目标细胞的真实显影图像、利用人工智能识别的细胞内 DNA 结构、利用人工智能识别的细胞 2D 结构，可以很清晰地看到 DNA 链。

&emsp;&emsp;Finkbeiner 团队用训练系统来识别 2D 图像中的神经元，然后挑出细胞核，确定给定的细胞是否活着。他的研究的主要目的是向科学家表明，图像数据中的信息可能比人类意识到的还要多。Finkbeiner 团队称其技术为「in silico labeling（ISL）」，译为“电子标签”。ISL 能直接从未标记的固定样本或活体样本的透射光影像中预测多种荧光标记 。

&emsp;&emsp;下图是该模型的训练过程，在这个过程中要不断给模型输入已有的细胞显影图片，让其实现预测功能。

![训练过程](https://cloud.wangyan.life/d/wangyan.life/Pictures/2-Skills/0005-0002.webp)

&emsp;&emsp;然而，这种方法无法识别运动神经元。这些预测只有在 AI 能够使用一些可见线索的情况下才会起作用。

&emsp;&emsp;Collman、Johnson 以及在艾伦研究所的同事使用了一种不同的神经网络来解决 Rafelski 的问题，建立了一个叫做 U-Net 的系统 ，这个系统为生物图像而开发。与 Finkbeiner 的方法不同，这个模型可处理 3D 显微照片，研究人员可以常规使用该技术，例如，在染色质组织研究中识别核标记。

![U-Net 系统](https://cloud.wangyan.life/d/wangyan.life/Pictures/2-Skills/0005-0003.webp)

---

## 细胞识别与分选

&emsp;&emsp;2015 年，日本机器人和自动化专家 Ota 带领团队研发了一种新的细胞识别和分选系统，称之为鬼影细胞测定仪（ghost cytometry） 。该系统将一种新的成像技术与人工智能技术结合，用于识别和分选细胞，不需使用空间分辨探测器即能产生物体图像，基于单像素探测器的无图像超快荧光“成像”细胞术从细胞运动中获取空间信息，而后被压缩转换成在单像素探测器上连续到达的信号。

&emsp;&emsp;鬼影细胞测定仪以每秒 1 万多个细胞的速度识别细胞，以每秒数千个细胞的速度对细胞进行分类。此外，时间波形与随机模式强度分布的组合使之能在计算机上重建细胞形态，可以直接在压缩波形上应用机器学习而不用进行图像重构，实现高效的基于图像的无形态学细胞检测。

&emsp;&emsp;这种方法将用于识别和分选患者血液中的循环肿瘤细胞，加速药物发现和改进基于细胞疗法的疗效。

&emsp;&emsp;在 2021 年的基因组生物学和技术进展大会上（Advances in Genome Biology and Technology, AGBT），创新型生物公司 Deepcell 展示了其最新的技术进展。

&emsp;&emsp;Deepcell 利用人工智能技术根据细胞形态差异实现高精度、可重复、无偏差的鉴定和分类，同时保持细胞活力 。迄今为止，Deepcell 的人工智能分类器已经训练了数千万张多种类型的细胞图像，作为该公司快速增长的细胞形态学图谱的一部分，它能够准确地区分各种免疫细胞亚型、各种癌症细胞和基质细胞 。

&emsp;&emsp;该系统的基本原理是一个专有的微流体台式仪器，它允许在线细胞成像，以监督和非监督分类和排序，目前已发展为存有 10 亿细胞图像信息的数据库 ，基于如此庞大的数据集，研究人员可以在不同的层面进行深度挖掘。

&emsp;&emsp;这种基于人工智能的细胞识别技术，大大优于基于细胞表面标记的技术，因为后者存在可用标记物和检测通道数量的限制性，同时，选择表面蛋白需要丰富的生物学知识，以及蛋白质特异性抗体的可用性。虽说现在已经开发出了几种微流控细胞分选技术，可以在不依赖分子表面标记的情况下分离细胞，但这些方法仍然依赖于预定的形态学特征，如细胞大小、变形性或其它可观察到的表型特征。

&emsp;&emsp;除此之外，通过 Deepcell 平台分类的细胞仍然具有活力，可以用于任何下游的分子分析，产生的结果不受干扰，甚至可以对这些分离出的细胞进行体外培养。同时， 该技术也非常适合单细胞多组学分析，从而实现细胞形态定性与多组学方法的集成，以达到对细胞生物学前所未有的深度认识。也就是说，这种人工智能技术可以基于形态学特征分离和捕获几乎任何细胞群体，它可以用于各种研究和应用开发。这项技术的普及会将细胞形态带入数字时代，就像高性能计算使基因组学和转录组学取得巨大进步一样，而 Deepcell 显然已跻身该领域的前列。

&emsp;&emsp;该技术可以分离发生频率低至 10 亿分之一的细胞，其潜在应用领域包括单细胞基因组学、液体活检、产前诊断、特定疾病状态下细胞和分子相互作用的表征以及药物开发等。

&emsp;&emsp;综上所述，Deepcell 通过结合人工智能、细胞分类和捕获以及单细胞分析等方面的进展，通过前所未有的细胞生物学视角，提供新颖的见解，帮助推进精准医学，通过持续的人工智能学习并在没有偏倚的情况下对细胞进行分类。Deepcell 平台分离出的细胞仍然维持细胞活力，能够用于下游的单细胞分析，同时该技术可以用于分离几乎任何类型的细胞，甚至是出现频率低至十亿分之一的细胞。未来，该技术将作为一种服务用于转化研究、诊断和治疗开发。

---

## 总结与展望

&emsp;&emsp;基于深度学习的人工智能技术有望克服组织学和细胞学视觉评分系统主观性强、重复性差、准确率低等问题，减少甚至避免漏诊和误诊。

&emsp;&emsp;利用人工智能技术能准确提取与肿瘤预后和疗效相关的内部特征，如肿瘤间质比（TSR）、神经侵犯和淋巴细胞空间分布；图像化显示药物干预疾病进展的疗效，定量化和自动化评分与临床治疗、分型和预后相关的分子标志物。

&emsp;&emsp;人工智能技术将会极大推动临床药物评价和基础科研评价的一致性、重复性和准确性，有望进一步促进医学科研的发展。

文章标题：人工智能在细胞培养中的应用
文章作者：Wangyan
原文链接：https://www.wangyan.life/archives/skills/Application-of-Artificial-Intelligence-in-Cell-Culture
版权声明：本站所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自青枫江上！

最后修改：2023 年 5 月 22 日