《Nature Methods》杂志将2012年度技术授予了定向蛋白质组学（targeted proteomics）。同时，杂志还推荐了2013年值得关注的技术，包括纳米孔测序仪（Disruptive nanopores）、微生物组功能研究（Probing microbiome function）、近红外荧光探针（Near-infrared probes）、干细胞体外微环境（In vitro niches）等等。
在这些值得期待的技术中，最后一项最为令人感到有趣，那就是Machines learn phenotypes（让机器人读懂生物表型），其实说到让机器人来操作实验，其实并不新奇，但是作为实验室日常活动的检查样品，这让机器来完成，也许就能令实验室的研究人员从繁重乏味的重复操作中解脱出来。
检测生物样品的表型变化，无论是细胞还是模式生物，通常都需要各种不同的视觉检查方法，比如说在利用信号调节因子进行处理之后，某个蛋白的细胞定位会出现什么样的变化？在特殊基因突变或被敲除之后，果蝇头部形态，或者小鼠的运动会怎么样？
人工区分这些模式，一个两个还好，但如果多了，对于研究人员来说就成了承重的负担，现在科学家们提出可以利用计算机，机器分析区分这些生物模式。
要想让机器了解生物学模式，首先要构建一种运算方法——或者让它们自己训练自己，这样计算机就能自动分析表型不同的样品。这要求这种程序能分别图像数据中的特征，这些图像数据可以是静态的，也可以是动态的，数据来源可以是细胞，或者模式生物，或者其它任何图像样品。实验人员注解上表型特征，确保机器能在无人监管的情况下自我分析。
这种自我分析，自动分类的方法特别适用于大规模筛选实验，这些实验中都有数以万计的样本，需要进行检查。目前已有全基因组规模进行突变和基因敲除的方法，在某些系统中也进行了全面的突变集分析，现在的瓶颈在于表型分析阶段，而这种自动化分析分类方法很可能促进大规模研究的又一飞跃。
近期Nature Methods也公布了一项这方面的最新研究成果——研究人员利用一种人工智能和前沿图像加工的自动化系统，快速检测了大量的个体秀丽隐杆线虫。这一系统采用微流体和自动化硬件，不只能取代现有的手动检测步骤，无需人为干预就能够检测到线虫间的细微差异，而且能鉴别出用其他方式有可能无法检测到的遗传突变。
研究人员采用了一种模型，在这一模型中特异神经元的突触被一种荧光蛋白标记。他们的研究涉及在成千上万线虫的基因组中构建突变，并检测突触中发生的变化。对以这种方式鉴定的突变线虫进一步开展研究帮助了解哪些基因有可能导致了突触中的变化。
他们还分析了突触在错误的位点形成，或错误大小或类型的原因。突变体与正常或“野生型”线虫之间的差异表明不恰当的发育模式是遗传突变所致。由于可能存在大量的基因参与了这些发育过程，研究人员必须检测成千上万的线虫（有可能多达10万条）来进行彻底研究。
为此，研究人员采用了之前开发了一种微流体“线虫分拣器”，加速了在显微镜下检测线虫的过程，在进行改进后，他们利用了一台照相机来记录每条线虫通过分拣器时的三维图像。系统将每个图像集与它被教授“野生型”线虫应该看起来的样子进行了比较。进一步的研究分辨出与正常甚至微细差别的线虫。
Machines learn phenotypes
Natalie de Souza
Detecting variations in the phenotypes of biological samples, be they cells or model organisms, typically involves distinguishing visual patterns. What does the cellular localization of a protein look like upon treatment with signaling modulators? What happens to the morphology of a fly's head or the locomotion of a mouse when specific genes are mutated or knocked down?
