هوش مصنوعی برای کمک به محققان در درک تصویر بزرگتر در زیست‌شناسی سلولی.
بررسی بیان ژن در سلول‌های بیمار سرطانی می‌تواند به زیست‌شناسان بالینی کمک کند تا منشاء سرطان را درک کرده و موفقیت درمان‌های مختلف را پیش‌بینی کنند. اما سلول‌ها پیچیده هستند و لایه‌های متعددی دارند، بنابراین نحوه انجام اندازه‌گیری‌ها توسط زیست‌شناس، بر داده‌هایی که می‌توانند به دست آورند، تأثیر می‌گذارد. به عنوان مثال، اندازه‌گیری پروتئین‌ها در یک سلول می‌تواند اطلاعات متفاوتی در مورد اثرات سرطان نسبت به اندازه‌گیری بیان ژن یا مورفولوژی سلول ارائه دهد.
محل درون سلولی که اطلاعات از آن حاصل می‌شود نیز مهم است. اما برای به دست آوردن اطلاعات کامل در مورد وضعیت سلول، دانشمندان اغلب باید اندازه‌گیری‌های متعددی با استفاده از تکنیک‌های مختلف انجام دهند و آن‌ها را یک به یک تجزیه و تحلیل کنند. روش‌های یادگیری ماشین می‌توانند این فرآیند را سرعت بخشند، اما روش‌های موجود تمام اطلاعات حاصل از هر روش اندازه‌گیری را با هم ترکیب می‌کنند و تشخیص اینکه کدام داده‌ها از کدام قسمت سلول آمده‌اند را دشوار می‌سازند.
برای غلبه بر این مشکل، محققان در موسسه Broad MIT و هاروارد و ETH زوریخ/موسسه Paul Scherrer (PSI) یک چارچوب مبتنی بر هوش مصنوعی توسعه داده‌اند که یاد می‌گیرد کدام اطلاعات در مورد وضعیت سلول در بین روش‌های اندازه‌گیری مختلف به اشتراک گذاشته می‌شود و کدام اطلاعات منحصر به یک نوع اندازه‌گیری خاص است.
با تعیین دقیق اینکه کدام اطلاعات از کدام قسمت‌های سلول آمده‌اند، این رویکرد دیدگاه جامع‌تری از وضعیت سلول ارائه می‌دهد و درک تصویر کامل تعاملات سلولی را برای زیست‌شناسان آسان‌تر می‌کند. این می‌تواند به دانشمندان کمک کند تا...