我们的身体由大约750亿个细胞组成。然而，每个细胞具体扮演什么角色，健康人的细胞与生病者的细胞有什么不同？为了揭示这些差异，需要审查和理解大量数据。研究人员正在为此目的使用机器学习技术。最近，他们探索了自监督学习作为分析超过2000万个细胞的潜在方法。
最近，单细胞技术取得了显著进展。这种方法使科学家能够在单细胞水平研究组织，使他们能够识别不同细胞类型的各种角色。例如，这种分析可以帮助比较健康细胞与因吸烟、肺癌或COVID-19等因素而改变的细胞，从而揭示这些情况如何影响肺细胞结构。
随着这种分析的进行，生成的数据量继续增长。研究人员旨在利用机器学习技术重新解读现有数据集，从数据模式中提取有意义的见解，并将这些发现应用于其他研究领域。
自监督学习作为一种新方法
负责TUM生物系统数学建模教席的Fabian Theis及其团队探索了自监督学习在处理大型数据集方面的效能，与传统方法相比。他们的研究结果最近发表在《自然机器智能》上。这种特定类型的机器学习利用未标记的数据，这意味着不需要预先存在的分类样本数据。实际上，未标记的数据丰富，能够有效管理大量信息。
自监督学习由两种主要技术组成。掩蔽学习涉及部分遮蔽输入数据，以便模型学习预测缺失的部分。与此同时，对比学习使模型能够区分相似和不同的数据集。
利用这两种技术，团队分析了超过2000万个单个细胞，并将结果与经典学习方法获得的结果进行比较。他们在评估不同方法时，专注于细胞类型预测和基因表达重建等任务。
虚拟细胞发展的前景
研究结果表明，自监督学习特别在转移任务中的表现更好——通过利用来自较大数据集的见解来分析较小的数据集。此外，对于零样本细胞预测（没有先前训练的任务）结果也相当鼓舞人心。掩蔽学习与对比学习之间的分析表明，掩蔽学习在大型单细胞数据集上更有效。
研究人员正在利用他们的发现开发虚拟细胞，这些是代表各种数据集中细胞多样性的复杂计算机模型。这些模型具有分析在疾病中常见的细胞变化的潜力。该研究的见解为如何更有效地训练和优化这些模型提供了宝贵的指导。
