Геймеры помогли уточнить карты строения клеток человека

Совместные усилия ученых, игроков в многопользовательскую игру EVE Online и искусственного интеллекта позволили улучшить классификацию внутреннего строения клеток. Для этого 332 тысячи игроков в течение года примерно 33 миллиона раз сыграли в мини-игру, в которой надо было разбираться в изображенных на фотографиях внутриклеточных структурах. Результаты исследования изложены в журнале Nature Biotechnology.

Современные методы визуализации, такие как флуоресцентная микроскопия, позволяют получить огромное количество информации о строении живой материи на внутриклеточном масштабе. Однако отдельная проблема для современных ученых — распознать на полученных благодаря таким методам изображениях различные структуры и классифицировать их. Чтобы решить эту проблему, ученые включили изображения, полученные в рамках проекта Human Protein Atlas (HPA), в виде мини-заданий в многопользовательскую онлайн-игру EVE Online. Цель HPA — картировать все белки в клетках, тканях и органах человека.

В новой статье ученые опубликовали результаты сотрудничества с геймерами. Огромное количество игроков, которые приняли участие в эксперименте, не только позволило обработать колоссальный массив изображений, но и создало обширную базу данных. На этой базе исследователи обучили систему искусственного интеллекта, которая занялась классификацией изображений. В результате было выделено десять новых типов объектов в категории «кольца и стержни». Все результаты будут добавлены в публично доступный «Атлас белков человека» (Human Protein Atlas), что позволит воспользоваться данными ученым со всего мира.

«Я верю, что совмещение научных задач с популярными компьютерными играми в будущем станет распространенным способом для того, чтобы использовать вычислительные мощности человеческого мозга, — говорит ведущий автор работы Эмма Лундберг из Королевского технологического института (Швеция). — Кроме того, благодаря продуманному дизайну подобных игр и тому, что полученные данные сразу используются для машиного обучения, можно быстро получать результаты крупномасштабных научных инициатив».

Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще.