学习一致的亚细胞地标,以量化多重蛋白质图的变化

科学领域:

• 细胞和分子生物学 细胞和分子生物学
• 计算生物学 计算生物学
• 基因组学和蛋白质组学

背景情况:

• 空间背景对于理解基因组活动和细胞功能至关重要.
• 高复合成像提供了一个强大的方法来研究这些空间关系.
• 现有的方法可能难以在不同细胞类型和条件下一致分析复杂的分子配置文件.

研究的目的:

• 介绍CAMPA (Conditional Autoencoder for Multiplexed Pixel Analysis),这是一个用于分析多重成像数据的深度学习框架.
• 为了能够识别和量化比较亚细胞地标.
• 揭示空间组织和分子组成如何影响细胞表型和变异性.

主要方法:

• 开发一种条件变异自编码器 (CVAE),用于学习分子像素形状表示.
• 学习表征的集群,以识别亚细胞地标.
• 应用高分辨率多重复合免疫光对扰乱的细胞系统.

主要成果:

• 在异质细胞群体中,CAMPA成功地识别了一致的亚细胞地标.
• 能够对地标大小,形状,分子组成和空间组织进行定量分析.
• 由于RNA合成,加工或细胞大小的干扰,细胞下组织的变化被揭示出来.
• 发现了无膜有机体组成和RNA合成中的细胞间变异性之间的联系.

结论:

• 从多重成像数据中,CAMPA提供可解释的细胞表型.
• 该框架加速了生物组织的多尺度地图的创建.
• 坎帕有助于识别控制细胞环境如何塑造生理学和疾病的规则.