Aprendizaje contrastivo para la detección y seguimiento de la división celular en datos de imágenes de células vivas

Área de la Ciencia:

• Dinámica celular e imagen de células vivas
• Biotecnología y bioimagen

Sus antecedentes:

• La microscopía de fluorescencia de células vivas es crucial para estudiar procesos celulares, pero está limitada por la fototoxicidad.
• La baja resolución temporal compromete la detección de eventos de seguimiento y división celular, lo que dificulta los estudios de procesos dinámicos.

Objetivo del estudio:

• Desarrollar una metodología integrada para mejorar la detección de divisiones celulares y el seguimiento en microscopía de baja resolución temporal.
• Mejorar el análisis de la dinámica celular manteniendo la viabilidad celular.

Principales métodos:

• Se utilizó el aprendizaje contrastivo para generar representaciones celulares robustas a partir de aumentaciones basadas en el tiempo.
• Se desarrolló un método de optimización de grafos para la identificación de trayectorias celulares utilizando representaciones aprendidas y eventos de división.

Principales resultados:

• Se obtuvieron mejoras significativas en el rendimiento en la precisión de la detección de divisiones celulares y el seguimiento.
• Se demostró la efectividad tanto en resoluciones temporales nativas como reducidas en diversos conjuntos de datos.

Conclusiones:

• La metodología mejora la adaptabilidad a diferentes resoluciones temporales para un análisis preciso de datos de microscopía de células vivas.
• Admite períodos de observación prolongados para el cribado de fármacos y estudios biológicos al preservar la viabilidad celular.
• Facilita una comprensión más profunda de los mecanismos celulares y los avances potenciales en la investigación terapéutica.