出芽酵母における追跡および系統追跡のためのニューラルネットワーク：Love-thy-neighbor

科学分野:

• 生物学的画像解析
• 細胞生物学
• 顕微鏡における機械学習

背景:

• 細胞追跡および系統追跡は、細胞ダイナミクスを理解するために不可欠ですが、細胞分裂、形状変化、および密な集団のために困難です。
• 既存の方法は、特に画像間の時間間隔が増加した場合や、出芽酵母のような困難な細胞タイプにおいて、精度に苦労しています。
• 出芽酵母における非対称細胞分裂およびコロニー成長は、正確な細胞追跡および系統追跡をさらに複雑にします。

研究 の 目的:

• 出芽酵母における堅牢な細胞追跡および系統追跡のための高度なニューラルネットワークベースの開発。
• 細胞分裂、形状のばらつき、および密なコロニー環境の処理における現在のアルゴリズムの限界に対処すること。
• 酵母研究における生物学的画像解析のための正確で信頼性の高いツールの提供。

主な方法:

• 細胞追跡のためのLYN-trackと系統追跡のためのLYN-traceという2つのニューラルネットワークモデルの開発。
• ニューラルネットワークへの入力として、細胞とその局所的な近傍の微細な幾何学的特徴の利用。
• トレーニングと検証のために、新規の出芽酵母および分裂酵母の顕微鏡データセット（78,852フレームからトラックレット、2,512画像）の作成と注釈付け。

主要な成果:

• LYN-trackおよびLYN-traceは、新規および既存の酵母顕微鏡データセットの両方で、堅牢で最先端のパフォーマンスを示しました。
• ニューラルネットワークアプローチは、細胞の幾何学的特徴を効果的に活用し、追跡および系統の精度を向上させました。
• 特に、密な出芽酵母コロニーのような困難なシナリオにおいて、既存の方法よりも大幅に優れたパフォーマンスを発揮しました。

結論:

• 開発されたニューラルネットワークは、出芽酵母の自動細胞追跡および系統追跡において大幅な進歩をもたらします。
• LYN-trackおよびLYN-traceは、以前の技術の限界を克服し、生物学的画像解析のための信頼性の高いソリューションを提供します。
• これらのツールはGithub上のGUIを介してアクセス可能であり、カスタムアプリケーションのために再トレーニングすることもでき、より広範な採用を促進します。