卷積神經網絡　學習識別染色體缺陷

編譯／高晟鈞

二十一世紀後，人工智慧在自然使用者介面有突破性的進展，包括了影像、語音和文字的辨識與分析。尤其透過將這些能力附加到產品上，包括了無人車、無人機和聊天機器人等等。

其中一個名為卷積神經網路（Convolutional Neural Network, CNN）的演算法，便導入了卷積層的概念，可以有效減輕這種神經網路訓練的負載。CNN是模仿人類大腦的一種演算方式，透過每個點位附近NxN的矩陣模塊（卷積層）辨識不同的圖像，是一種很有效的人工智慧圖像訓練演算法。

近期，來自東京大學的科學家們便利用了單個染色體的顯微圖像，訓練了一個CNN，並希望透過該演算法，將辨識染色體內聚缺陷（是否以正確方式結合）的過程自動化。

染色體由包含基因的DNA分子組成。當細胞進行分裂時，染色體會被複製並分配到兩個子細胞中；這種透過DNA複製實現，攜帶相同遺傳信息的染色體又被稱為姊妹染色分體。姊妹染色分體透過具內聚力的環狀蛋白質結構結合在一起，當內聚力有缺陷時（內聚缺陷），便會導致染色體解體，從而破壞細胞和器官的運作。

染色體的內聚缺陷主要由研究人員在顯微鏡下進行觀察，透過使用染色劑，科學家可以判斷這些染色單體是否正確結合。儘管這種辨識對於研究染色體的缺陷至關重要，但是整個過程需要耗費大量精神；而當需要統計大量染色體的狀態時，這項人為的辨識過程將變得十分低效。

因此東京都立大學的科學家希望將這一過程自動化，透過CNN取代人力對染色體的結合進行自動化的辨識，藉此分析具由內聚缺陷的顯微圖像。

該研究團隊使用CNN，並在600張染色體圖像中對其進行演算訓練；目前，辨識率已達到73%，有望簡化與加速染色體的相關實驗。

資料來源:Phys.org

瀏覽 353 次