基于人工智能的整体生物图像分析.pdfVIP

中国实验室 生命科学仪器 2010第8~ ／6,9刊 基于人工智能的整体生物图像分析 AndreasVOGT，MichaelTSANG，NeilA．HUKRIEDE 摘要 自动图像采集和分析的发展已经牢牢确立了高通量筛选 (HCS)作为一种药物发现工具的地位。虽然高通量筛 选在细胞检验中具有广泛的应用，但整个生物体 (如斑马鱼)的全 自动化图像分析，如果没有用户深入介入，目前 尚不能实现。其主要障碍包括方位的变化，样本的高变异性，每个样本特征的复杂性。因此 ，目前还没有方法能实 现斑马鱼幼虫的无监督检测和特征定量。目前，一种在计算机环境中模拟人的认知过程的人工智能方法能克服这些 障碍。 高通量筛选是当代药物发现的主要技术手段 ， 记。对于一个熟悉斑马鱼形态学的人 (甚至一个外 但它的普遍使用并没有增加新上市药物的数量。因 行 )来说，可以看到显微照片显示了在侧视图方向 此普遍认为需要更好的模型来提高候选药物的质 上的单个幼虫 ，头部向上 ，卵黄囊和腹部区向左， 量，而整个生物体可以提供这样的模型 lj『。虽然整体 含有体节问血管的背部区向右侧。通过观察图像中 有机体在药物发现过程中具有重要作用，但 由于逻 的区域特征 ，如亮度、尺寸、形状等，获得最初的 辑及伦理原因并未发现其在高通量化学遗传学中的 认知。基于对幼虫形态学的知识，观察者直接对 目 广泛应用。具有个体小、繁殖力强、透光性特性的 标对象赋予背景信息 ，如相对位置、边界、邻近对 斑马鱼可以填补这个空 白[2．3】。 象，从而从这些最初区域特征中识别头部、尾部、 许多实验组报道了斑马鱼的化学筛选 j】，但是 卵黄、大血管 、背部这些具有生物学意义的区域 其通量低且需人工处理分析每条斑马鱼。在利用斑 (图1b)。 马鱼进行筛选时的一个主要限制因素是无法 自动分 析复杂的、不均匀的、低对比率的、依赖标本定位 的整体生物图像。这对基于像素亮度和分割阈值的 传统图像分析程序提出了挑战。即使使用最尖端的 图像分析软件，图像分析仍需要视觉检验和手动预 处理每条幼虫 】。 在此，笔者假定基于人工智能图像分析可以解 决这个问题。他们探索了一种模仿人类认知过程面 向对象的图像分析方法——认知网络技术 (CNT) (Definiens，Munich，Germany)[71oCNT通过专家 图1科学家依据特征与关系对 目标分级的视觉检验。图a是受精后48 用户对图像对象赋予特征和属性来仿真人类视觉 h的荧光标记斑马鱼幼虫的荧光显微照片。即使主要 目标是多样化 感知。图1说明了CNT的基本前提。图1a显示了一 的、具有不连续的边界、含有与背景无法区别的区域 ，如卵黄囊、 个Tg(fli1：EGFP)y1斑马鱼幼虫的荧光显微照片， 不包含血管的背部区，观察者仍可立即辨识出明亮的目标为斑马鱼 幼虫。观察者不仅依据与像素相关的特征 (亮度、长度、厚度、暗 表现了在flj1促进剂的控制下增强的绿色荧光蛋 白 度 J，而且依据上下文相关的背景知识对 目标进行分级 ，进而得到 (EGFP) 】。在这个模式下，所有的血管被荧光标 辨识结果。如图中b。 作者简介 ： Dr．VogtisAssociateDirector,UniversityofPittsburghDrugDiscoveryInstitute，10047BiomedicalScienceTower3，UniversiytofPittsburgh， Pittsburgh，PA15260,U．S．A．；te1．：412-383-5856；fax：412-648-9009；e-mail：av