美國華盛頓大學研究人員開發出一種深度學習軟件Omnipose，其能幫助解決在顯微鏡圖像中識別各種微小細菌的挑戰。研究結果發表在17日的《自然·方法學》雜誌上。研究人員發現，在大型細菌圖像數據庫上訓練的Omnipose在表徵和量化混合微生物培養物中的無數細菌方面表現良好，並消除了其前身可能出現的一些錯誤。

此外，由於不同細菌的光學特性存在差異，Omnipose在克服識別問題方面表現出色。

由於抗生素治療或細菌間侵襲過程中產生的化學物質的拮抗作用，該軟件不會輕易被細胞形狀的極端變化所欺騙。事實上，該程序表明它甚至可在大腸桿菌試驗中檢測細胞中毒。

大多數細菌是球形或棒狀，但有些具有其他基本形式，例如扭曲的螺旋形。Omnipose還可識別更精細的細菌，這些細菌具有細長的形狀，其物理特徵會使深度學習工具難以判斷圖像中存在哪些細菌。

在分析來自雜草擬南芥根的細胞時，Omnipose在這個3D樣本中確實顯示出一些優勢。

為了探究它是否也可成為其他依賴顯微鏡的生物甚至非生命科學領域的多功能工具，研究人員在超小型蛔蟲——秀麗隱桿線蟲的顯微照片上試用了該程序，秀麗隱桿線蟲是遺傳、神經科學、發育和微生物行為研究中的重要生物。像一些細菌一樣，這種生物具有細長的形狀，它也可像許多其它蠕蟲一樣扭曲自己。

結果表明，無論它的各種伸展、收縮和其他運動如何，Omnipose都可挑選出秀麗隱桿線蟲。這種能力在延時跟踪秀麗隱桿線蟲運動期間的神經研究中可能是有用的。

在設計像Omnipose這樣的工具時，研究人員正在研究單像素精度的尺度來定義細胞的邊界。這是因為大多數細菌細胞體圖像僅由少量像素組成。研究人員解釋說，在圖像中定義邊界稱為分割。他們通過深度神經網絡、高精度分割算法開發了Ominpose。實驗表明Omnipose具有前所未有的分割精度。

研究人員稱，Omnipose在各種細胞形態和模式上的高性能，可能會從以前無法訪問的顯微鏡圖像中解開信息，這或將改變生物圖像分析的遊戲規則。