连日来在游戏玩家和AI的共同帮助下改善了细胞和蛋白质的定位 向来一不断的有小伙伴关注，不仅如此还衍生出了各大相关话题，那么跟着小编来看看在游戏玩家和AI的共同帮助下改善了细胞和蛋白质的定位 以及它的相关资讯吧！
一个国际研究团队在一张显示成千上万张人类细胞显微图像的地图上，与游戏界和人工智能合作，以更细致地了解细胞内蛋白质的排列方式。
KTH皇家理工学院，CCP Games和Massively Multiplayer Online Science合作报告了这些进步。
这项研究发表在9月的“ 自然生物技术”上。研究人员报告说，游戏玩家或“公民科学家”增强了用于预测亚细胞水平蛋白质定位的AI系统。KTH研究员艾玛·伦德伯格(Emma Lundberg)说，通过众包和AI的结合，改进了亚细胞蛋白质模式的分类，并首次鉴定了称为“杆和环”的细胞结构家族的10个新成员。位于生命科学联合研究中心的人类蛋白质图集的一部分。
伦德伯格说，这些数据正在积极地整合到可公开获得的人类蛋白质图谱数据库中，并将为全球研究人员提供资源，他们正在努力进一步了解人类细胞，蛋白质和疾病的进展。
研究人员与大规模多人在线科学和CCP游戏合作，将来自人类蛋白质图集图像的蛋白质定位分析直接集成到流行的大规模多人在线游戏EVE Online中。最终的迷你游戏“ Project Discovery”以Lundberg的头像为特色，使她成为首批在网络游戏中浮现的在世科学家。它由EVE Online内的300,000多位公民科学家演奏，他们共同生成了超过3,300万个蛋白质亚细胞定位的图像分类，这一成就被誉为公民科学的里程碑。
将公民科学家的能力与AI系统进行了比较，该系统可以从称为定位细胞注释工具(Loc-CAT)的图像预测蛋白质亚细胞定位。Loc-CAT是第一个通用的工具，用于从图像中对具有多个定位的蛋白质进行注释，并且可以在大量细胞类型中进行概括，为将来研究细胞及其行为提供了实用的工具。
尽管Loc-CAT在许多常见蛋白质类别上的表现都优于Project Discovery，但是来自EVE Online的汇总玩家数据可以更好地识别稀有类别，并能够在训练数据不可用的地方注释新模式。通过将玩家的注释与机器学习方法相结合，转移学习被用来显着提高Loc-CAT的性能。
“我相信，将科学任务集成到已建立的计算机游戏中将成为将来利用人类大脑处理能力的一种常用方法，并且将复杂的公民科学游戏设计直接输入到机器学习模型中具有迅速进展的能力。充分利用大规模科学工作的成果。”伦德伯格说。“我们感谢所有参与该项目的公民科学家以及他们的发现。”
尽管这项工作取得了成功，但仍有很大的改进空间。研究人员于9月17日宣布Kaggle(www.kaggle.com/competitions)上宣布了“人类蛋白质图谱2018挑战赛” 。该挑战赛将涉及图像分析以对人类细胞中亚细胞蛋白质模式进行分类。数千美元的奖金将争夺，参与者的贡献将有助于推动蛋白质生物学领域的进展。