细胞生长和分裂是生命的两个最基本和最重要的特征，密切监测细胞随时间的变化可以让科学家对这些生物过程的动力学有重要的了解。延时显微镜允许科学家检测和跟踪细胞，但会产生大量数据，几乎不可能手动分类。

基于深度学习的新型软件可高精度检测和跟踪单个细胞

然而，现在，现代深度学习模型强大的数据处理能力提供了对如此多的成像数据进行分类的技术。生物分子工程助理教授AliShariati和博士生AbolfazlZarageri与Shariati实验室的几名学生研究人员一起开发并发布了一种名为“DeepSea”的新深度学习模型，这是唯一能够分割细胞、跟踪细胞和分析细胞的工具之一。检测它们的分裂以遵循细胞谱系。DeepSea在CellReportsMethods的一篇新论文中有详细介绍，是同类工具中精度最高的工具之一。

DeepSea的模型训练数据集、用户友好的软件和开源代码可在DeepSea网站上使用，Shariati和他的研究团队已经利用它在干细胞生长和分裂方面取得了新发现。

“该模型效率更高，参数更少，分割和跟踪都集成到用户友好的软件中，”Shariati说。“该软件允许您为任何感兴趣的细胞类型训练模型，为未来的发现铺平道路。”

延时显微镜随着时间的推移从显微镜中捕捉一系列图像，使研究人员能够在实验过程中监测单个细胞，以追踪分化等现象——当干细胞变成特定类型的细胞时——或形状变化以及随时间变化的大小。这可以让科学家通过在单细胞水平上测量细胞生物现象的动力学来做出新的生物学发现。

一旦科学家们收集了图像，他们就需要执行两项主要任务：分割，或从彼此和背景中识别单个细胞的边界;和跟踪，或从一帧到下一帧跟踪一个单元格。从那时起，研究人员可以进一步研究尺寸、形状、质地、它们如何移动和改变形状等特征。

通过显微镜图像手动分类既乏味又耗时，最终这项任务更适合计算机——这就是DeepSea的用武之地。这种高效的深度学习模型可以在不到一秒的时间内执行分割，并以98%的准确度跟踪细胞。

使软件能够检测细胞分裂是这个项目的一个特别独特和具有挑战性的方面，因为人工智能和计算机视觉必须跟踪一个物体变成两个物体的情况很少(如果有的话)。

“对于对象跟踪来说，这是一个非常不寻常的问题，”Shariati说。“如果你想跟踪汽车或其他东西，汽车会四处移动，你可以使用机器学习和计算机视觉来跟踪它们的移动。但对于细胞来说，突然一个物体变成两个，这是一个全新的我们需要解决的问题，而且我们能够做到。”

DeepSea是一个通用模型，这意味着它可用于跟踪各种细胞类型。它使用流行模型2D-UNET的修改版本，使用更少的参数来实现快速和高精度。

“我们将我们的模型与一些最好的细胞分割模型进行了比较，我们现在在精度和速度方面显示出最好的结果，尤其是对于这些细胞类型，”电气和计算机工程博士Zarageri说。Shariati实验室的学生领导了该软件的创建。

研究人员使用从背景中手动分割出的细胞图像数据集对DeepSea进行了训练，这是一个耗时的过程，因为图像通常对比度较低，而且细胞体很难辨认。为了帮助完成这一过程，该团队开发了另一种软件工具来帮助裁剪、标记和编辑细胞的显微图像，该工具也可在DeepSeas.org上获得。

训练数据集包括肺、肌肉和干细胞的图像，这意味着DeepSea在不同细胞类型中实现了高精度。更多的细胞类型可以添加到模型的未来版本中。

研究人员使用DeepSea来研究胚胎干细胞的大小调节，这是多细胞生命的基础，可以分化成所有其他细胞类型。他们带来了新发现，即已知分裂速度异常快的胚胎干细胞可以调节它们的大小，从而使较小的细胞在产生下一代细胞之前需要更长的生长时间。

“我们发现，如果胚胎干细胞出生时很小，它们就会知道自己很小，所以它们会在继续分裂之前花更多的时间生长，”Shariati说。“我们不知道为什么以及如何发生这种情况，但至少存在这种现象。”

未来，研究人员计划应用他们现有的软件来收集数据，以研究细胞之间的空间关系，以及细胞特征如何以3D模式组织以形成结构。

研究人员还旨在解决他们在使用深度学习模型时注意到的瓶颈，例如缺乏用于训练模型的细胞标记图像。他们计划使用一类称为生成对抗网络(GAN)的机器学习框架来创建新的合成数据，即已经注释的细胞图像，以减少创建标签所需的时间。然后，研究人员将拥有包含任何感兴趣细胞类型的大型数据集库，而人工参与最少。