对于未经训练的眼睛来说，冷冻电子断层扫描看起来更像是沙子中的痕迹，而不是细胞的详细快照。

接受过冷冻电子显微镜和断层扫描等强大显微镜技术培训的专家可以使用这些图像来研究细胞器的位置和形状以及大分子复合物的结构。因此，研究人员可以深入了解细胞的内部运作，无论是在健康和患病状态下。

然而，这种方法有一个主要缺点。虽然训练有素的专家可以非常擅长识别和标记断层图中的不同细胞结构，但这个过程非常耗时。

这就是为什么海德堡EMBL的Zaugg，Mahamid，Kreshuk和Diz-Muñoz小组创造了一种基于人工智能的方法，可以快速有效地注释冷冻电子断层图中的细胞结构。他们在最近发表在《自然方法》上的一篇出版物中描述了这个工具，并公开供科学界访问和使用。

DeePiCt(Deep Picker in Context)是一个深度学习框架，可以比人眼更快地识别和标记细胞器和分子复合物，并且没有人为偏见，产生丰富详细的细胞图像(如上图右侧圆圈中的图像)。

“DeePiCt——特别是我们提供的经过训练的模型——使任何人都可以在自己断层图的嘈杂背景中检测出感兴趣的特定粒子和结构。对我来说，这是我们工作的最佳成果之一，“朱迪思佐格说。“如果没有它，你需要向训练有素的专家寻求注释方面的帮助，这可能需要很长时间。我认为DeePiCt是实现细胞结构生物学高通量的重要一步。

DeePiCt框架允许科学家根据细胞在细胞中的位置轻松地对断层图中的细胞结构进行分类。然后，例如，这可以用于比较位于线粒体上的核糖体类别与位于内质网上的核糖体类别。这样的分析已经揭示了核糖体如何与这些不同膜结合的未知结构细节。

该软件结合了两种类型的卷积神经网络。这些是深度学习算法，可以找到模式并区分图像中的对象。第一个被训练来分割细胞器和细胞质等细胞结构，并在2D切片中操作。第二个被训练为分割感兴趣的粒子(例如核糖体)并在断层图的三维空间中操作。

重要的是，一旦网络被训练来识别一组断层图中的特定粒子，它就可以识别以前从未见过的新断层图中的相同粒子，包括属于不同物种的细胞的粒子。这意味着研究人员可以在许多不同的样品类型上使用冷冻电子断层扫描来使用DeePiCt。

在所示图像中，该网络被训练以检测来自三种不同生物体的细胞中的四种不同结构(肌动蛋白，核糖体，微管和膜)，以在人类细胞的看不见的断层图中预测这些结构。

“现在我们已经证明这是有效的，我们很高兴将软件提供给研究界，”Julia Mahamid说。“我们希望这种深度学习方法将成为冷冻电子断层扫描的黄金标准。我们正在EMBL-EBI档案中提供一套20个注释良好的断层图，我们希望这些断层图能够触发并支持科学界的进一步方法开发。