文章名称：In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images
发表期刊：Cell
发表日期：2018年4月
1 摘要
显微镜技术是生命科学中的核心方法。许多流行的方法（例如抗体标记）可用于将物理荧光标记添加到特定的细胞成分中。然而，这些方法具有明显的缺点，包括不一致、光谱重叠导致的同时标记数量受限以及必要的实验干扰（例如固定细胞）以生成测量结果。在这里，我们展示了一种可计算的机器学习方法（称为“ISL”）,可以从未标记的固定或活生物样品的透射光图像中可靠地预测某些荧光标记。ISL会预测一系列标记，例如细胞核，细胞类型（例如神经）和细胞状态（例如细胞死亡）的标记。由于预测是通过计算机进行的，因此该方法是一致的，不受光谱重叠的限制，并且不会干扰实验。ISL会生成生物学测量值，否则这些测量值将有问题或无法获得。
2 主要结果图
3 亮点点评
谷歌团队提出了一种可计算的机器学习方法（称为“ISL”）,可以从未标记的固定或活生物样品的透射光图像中可靠地预测荧光标记。其新颖在于样本无需荧光染色，利用深度学习模型就可预测出荧光标记。
我们的机器学习模型是一个深度神经网络，以一组透射光图像作为输入，并输出荧光图像。网络框架受到模块化设计的启发，由三种基本构建模块组成：in-scale模块不会改变特征的空间规模；down-scale模块将特征的空间规模加倍；up-scale模块将其减半。为了确保方法的可靠性，谷歌团队从三个实验室收集了三种细胞（多功能干细胞诱导的人类运动神经元、人类乳腺癌细胞、大鼠大脑皮层组织培养细胞）在三种光学显微镜（明场、相差、微分干涉相差）下的图像数据。结果发现，此方法可以准确地预测一系列标记，例如细胞核、细胞类型以及细胞状态。
透射光显微镜技术相对简单，生物样本耐受度高，但测量图像很难被合理评估。而在荧光显微镜下，测量图像易于分析，但是荧光标记有缺陷，包括样本准备繁琐、荧光标记的光毒性和光漂白性等。ISL技术意义在于合理地结合两种成像技术，开发了一个可迁移的深度学习系统，来弥补两种方法各自的不足。
