研究人員們常常利用小型的多細胞動物例如線蟲、果蠅或斑馬魚來研究某些疾病機制背后的遺傳因子、疾病進程以及對新藥的反應。
通常情況下，進展依賴于對許多個體動物的顯微視覺檢測來發(fā)現值得開展進一步研究的突變。
現在，科學家們演示了一種利用人工智能和前沿圖像加工可快速檢測大量的個體秀麗隱桿線蟲（一種廣泛用于生物學研究的線蟲種類）的自動化系統。采用微流體和自動化硬件不只能取代現有的手動檢測步驟，該系統無需人為干預能夠檢測到線蟲間的細微差異，鑒別出用其他方式有可能無法檢測到的遺傳突變。
在常規(guī)手動篩查所需的小部分時間內允許自動檢測成千上萬的線蟲，該技術改變了利用線蟲進行高通量遺傳篩查的方式。
領導這一研究的是喬治亞理工大學化學和生物分子工程學院副教授陸航（Hang Lu）。該研究的細節(jié)在線報告在8月19日的《自然方法》（Nature Methods）雜志上。
陸航說：“雖然人類非常善于模式識別，計算機更優(yōu)于人類檢測細微的差別，例如小點位置的微小變化或一幅圖像亮度的輕微改變。這一技術能夠發(fā)現人工幾乎不可能分辨出的差異。”
陸航的研究小組一直從事線蟲中影響突觸形成與發(fā)育的基因研究，這項工作對于了解人類大腦發(fā)育有可能有著重要影響。研究人員采用了一種模型，在這一模型中特異神經元的突觸被一種熒光蛋白標記。他們的研究涉及在成千上萬線蟲的基因組中構建突變，并檢測突觸中發(fā)生的變化。對以這種方式鑒定的突變線蟲進一步開展研究幫助了解哪些基因有可能導致了突觸中的變化。
研究人員正在研究的一方面是突觸在錯誤的位點形成，或錯誤大小或類型的原因。突變體與正?；?ldquo;野生型”線蟲之間的差異表明不恰當的發(fā)育模式是遺傳突變所致。
由于可能存在大量的基因參與了這些發(fā)育過程，研究人員必須檢測成千上萬的線蟲（有可能多達10萬條）來進行*研究。陸航和她的研究小組此前曾開發(fā)了一種微流體“線蟲分揀器”，加速了在顯微鏡下檢測線蟲的過程，然而直到現在檢測這些突變只有兩種選擇：一個人必須觀察一個動物，或利用簡單啟發(fā)式算法生成分揀決定。兩種方法都不客觀或適用新問題。
陸航的系統（她的研究小組先前工作的一個優(yōu)化版本）利用了一臺照相機來記錄每條線蟲通過分揀器時的三維圖像。系統將每個圖像集與它被教授“野生型”線蟲應該看起來的樣子進行了比較。進一步的研究分辨出與正常甚至微細差別的線蟲。
雖然該系統旨在供一個特異研究項目分揀線蟲，陸航相信機器的學習技術（借鑒于計算機科學）將能夠被應用到利用模式遺傳生物體的生物學的其他領域。該系統的硬件和軟件現在正應用除喬治亞理工大學之外的其他幾個實驗室。
“我們的自動化技術可以推廣到所有依賴檢測形態(tài)或形狀、大小或亮度差異的研究。我們可以將它應用到所有可視覺檢測的研究，并且我們認為這有可能擴展到研究許多其他可用這種線蟲模擬的，與學習、記憶、神經變性和神經發(fā)育疾病相關的問題，”陸航說。
負責完成這項工作的研究生Matthew Crane 說：“我們向程序中輸入野生型圖像，它教會自身識別區(qū)別野生型的事物。它利用信息來確定一個突變類型有可能看起來像什么——哪一個是我們沒有提供給系統的信息——并基于此分揀出線蟲。我們不需要向電腦顯示每個可能的突變，這是非常強有力的。且計算機永遠不會感到厭倦。”
