客觀日本

AI×細胞是開發AI的關鍵——日本開發出細胞圖像大數據超高速採集技術

2020年03月18日 資訊通信

東京大學研究生院理學系研究科化學專業的三上秀治助教和合田圭介教授等人,成功開發出了高品質細胞圖像大規模採集技術——「虛擬固定螢光成像流式細胞術(Virtual-Freezing Fluorescence Imaging Flow Cytometry:VIFFI)」,這也是生物學和醫學領域AI技術開發的關鍵。另外,作為實例,還利用深度學習驗證了高精度細胞解析(AI×免疫學)。利用此次的研究成果,能從各種各樣的細胞群(血液細胞、免疫細胞、癌細胞、幹細胞、微生物、腸道細菌等)中提取龐大的資訊加以利用,有望應用於AI×醫療、AI×新藥開發及AI×智慧細胞產業等(圖1)。

AI×細胞是開發AI的關鍵——日本開發出細胞圖像大數據超高速採集技術

圖1:本研究的概念圖

此次,通過開發與原來相比能以壓倒性的高品質從細胞群中大規模採集數據的技術,可以最大限度發揮AI在生物學和醫學領域的應用,有望在基礎科學領域取得新發現以及提高各種生命工學領域的效率等。

研究背景與過程

近年來,利用AI從生物樣本中提取資訊的技術在生物學和醫學領域受到了關注。利用AI可以使以前依賴人工和直覺的作業實現自動化,還能處理人類無法處理的龐大資訊,因此有望為這些領域帶來革命性的發展。不過,要想發揮AI的能力,需要有高品質的大規模組據讓AI「學習」。但利用以往的技術,很難採集到這種高品質的大規模組據,所以無法充分發揮出AI原本的實力。該研究團隊以前開發了從大規模的細胞群中採集顯微鏡圖像的技術(2018年1月30日新聞發布),但仍存在成像速度越快圖像越不清晰的問題,採集的數據無法讓AI的能力得到充分發揮。

研究内容

本研究開發的「虛擬固定螢光成像流式細胞術」,能以遠遠高於原來的速度採集適合觀察細胞的螢光顯微鏡的清晰圖像(圖2a、圖2b)。

AI×細胞是開發AI的關鍵——日本開發出細胞圖像大數據超高速採集技術

圖2:本研究開發的虛擬固定螢光成像流式細胞術的概略

a. 新技術的模式圖。通過用兩個光掃描器(控制光前進方向的裝置)控制照射細胞的照明光和細胞發出的螢光的前進方向。即使細胞高速流動,也能固定到達相機的螢光光學圖像。因此,為取得明亮圖像即使延長曝露時間,也能獲得清晰不模糊的圖像。b. 新開發的裝置的外觀。c. 新開發技術的性能驗證。利用白血病細胞驗證了新開發技術的性能。左側是利用普通螢光顯微鏡獲得的圖像。中間兩圖是為拍攝大量細胞,使細胞以每秒1米的速度在水中流動,並利用以往技術採集的圖像。曝露時間過短的話,圖像會很暗,曝露時間過長又會變模糊,因此獲得的圖像都不清晰。右側是利用新開發的技術採集的圖像。即使細胞以每秒1米的速度流動,也能採集到明亮清晰的圖像。μm為微米。

本技術通過巧妙操縱雷射等光線,抑制高速成像細胞時產生的圖像模糊和尾料現象,可以同時實現成像的高速性和圖像的清晰度。具體來說,通過用兩個光掃描器(控制光前進方向的裝置)控制照射細胞的照明光和細胞發出的螢光的前進方向。即使細胞高速流動,也能使螢光圖像在相機上固定,並在接連拍攝流動細胞的同時,為每個細胞的成像確保足夠的曝露時間。不採用該技術的話,曝露時間過短圖像會變暗,曝露時間過長圖像又會模糊,無論哪種情況都無法實現清晰的圖像,而採用該技術能實現清晰的成像(圖2c)。經驗證,利用該技術能對以每秒1米的速度在流體中流動的各種細胞進行成像,並獲得細胞内部的詳細結構(圖3)。

AI×細胞是開發AI的關鍵——日本開發出細胞圖像大數據超高速採集技術

圖3:利用此次開發的技術獲得的各種細胞的清晰螢光顯微鏡圖像

a. 白血病細胞的染色DNA。b. 酵母細胞(細胞壁視覺化)。c. 衣藻(一種藻類。圖像使體內的葉綠素實現視覺化)。d. 肺癌細胞。紅色表示細胞内部,綠色表示細胞表面,藍色表示細胞核。e. 小鼠的白血球。紅色表示細胞外形,綠色表示細胞核。f. 眼蟲(一種藻類)。綠色表示脂肪,紅色表示葉綠素。所有圖像都是在細胞以每秒1米的速度流動時成像的。μm為微米。

此外,作為AI×免疫學的具體實例,短時間内從約20,000個小鼠白血球中逐一採集了清晰圖像(圖4a),並查清了各細胞内部結構的不同之處(圖4b)。另外,利用AI還高精度(95%)識別出了不同條件下準備的白血球群(圖4c)。

AI×細胞是開發AI的關鍵——日本開發出細胞圖像大數據超高速採集技術

圖4:AI×免疫學實例

a.對小鼠的淋巴細胞和嗜中性球(均為白血球)逐一進行成像,分別獲得約10,000張圖像。從外形(紅色)和内部細胞核形狀(綠色)均非常清晰的圖像中,清晰捕捉到了各白血球的特徵。b.詳細分析細胞核的形狀,使結構的單純性實現數值化,捕捉其在細胞群内的分佈。可以看出,不僅在淋巴細胞和嗜中性球中的分佈不同,在各個種類中均觀察到分佈區別。c.利用AI之一的深度學習解析了這些圖像數據。通過t-SNE圖自動分析圖像的特徵,使各細胞的相似程度實現視覺化。2點之間的距離越近,細胞的圖像越相似。淋巴細胞群和嗜中性球群基本分離,達95%精度。

未來展望

通過該技術採集的高品質、細胞群圖像大數據,是可以最大限度發揮AI實力的理想數據。因此將來有望用於各種場景,比如在以大規模細胞群為研究對象的細胞生物學、免疫學、遺傳學等基礎科學領域取得新發現,以及開發能提高新藥開發、生物燃料開發、液體活檢及智慧細胞產業等的高效技術等。

論文資訊
題目:Virtual-freezing fluorescence imaging flow cytometry
期刊:《Nature Communications》
DOI:10.1038/s41467-020-14929-2

日文發布原文

文:JST客觀日本編輯部