Автоматизация Обнаружения Наркотиков С Помощью Компьютерного Зрения

Винсент Vanhoucke, главный научный сотрудник Гугл мозг команды “каждый раз, когда вы пропустите белковые кристаллы, потому что они настолько редки, вы рискуете упустить важную медико-биологических открытий.” - Патрик Шарбонно, Университет Дьюка Отдел. химии и ведущий исследователь, Марко инициативу. Кристаллизация белка является ключевым шагом в биомедицинских исследованиях, связанных с открытием структуры сложных биомолекул. Потому что эта структура определяет функцию молекулы, она помогает ученым конструировать новые снадобья которые специфически пристрелны к той функции. Однако, кристаллы протеина редки и трудны для обнаружения. Сотни экспериментов, как правило, выполняются для каждого белка, и в то время как настройка и визуализация в основном автоматизированы, нахождение отдельных кристаллов белка остается в основном выполняется с помощью визуального контроля и, таким образом, склонны к человеческой ошибке.Критически, отсутствие этих структур может привести к потере возможности для важных биомедицинских открытий для продвижения состояния медицины. В сотрудничестве с исследователями из машины признании результатов кристаллизации (Марко) инициатива, мы опубликовали “Классификация кристаллизации результатов с помощью глубоких Сверточных нейронных сетей” в биохимия (материалам arxiv Препринт), в которой мы обсуждаем, как мы использовали некоторые из последних архитектур глубоких сверточных сетей и подгонять их, чтобы достичь точности более чем 94% на визуальное распознавание задача выявления белковых кристаллов. Для того, чтобы стимулировать дальнейшие исследования в этой области, мы внесли данные в свободном доступе и с открытым кодом нашей модели в рамках TensorFlow исследования модельных хранилище, и доступны для исследователей как облако мл Двигатель конечную точку.

Изображение протеинового кристалла, предоставлено Marco repository (лицензия CC-BY-4.0

Марко инициатива является совместным проектом между несколькими фармацевтическими компаниями и научно-исследовательских центров в бассейн и хозяин самого большого хранилища куратор кристаллографии изображений, и сделать их доступными для сообщества, чтобы помочь разработать более эффективные инструменты анализа изображения. Когда один из участников инициативы обратился к Google с четко определенной проблемой и полумиллионом изображений, мы приняли вызов, пытаясь применить последние достижения в глубоком обучении к этой проблеме. Из-за большой изменчивости между технологиями обработки изображений и подходами сбора данных, придумывание единого подхода к проблеме визуального распознавания может показаться сложной задачей. Кристаллы могут быть очень маленькими, что делает их редкими структурами в большом изображении, содержащем в противном случае недифференцированный визуальный беспорядок.

Примеры из репозитория MARCO, иллюстрирующие степень изменчивости между источниками данных.

К счастью, учитывая достаточные данные о тренировках, современные глубокие сверточные сети хорошо подходят для обработки экстремальной изменчивости внешнего вида. Мы модифицировали основные начала В3 модель для обработки больших изображений и в то же время способны быстро обучить. Модель достигает уровня точности и вспоминает что делает свою пользу практически в автоматизированных трубопроводах оценки. Эта работа является прекрасным примером эффективности межведомственного сотрудничества, направленного на решение проблем, требующих данных в количествах и степени разнообразия, к которым не имеет доступа ни один сотрудник. Мы приглашаем исследователей воспользоваться этими ресурсами, которые являются результатом этой работы, и поделиться тем, что они узнали. Данное исследование было проведено автором в качестве личного 20% проекта. Чтобы узнать больше об этой работе, пожалуйста, посетите наш документ здесь и читать последние герцога исследований блоге.

Источник: ai.googleblog.com

Комментарии: