评估亮场图像数据对动作机制预测的有用性

科学领域:

• 细胞成像 细胞成像
• 计算生物学是一种计算生物学.
• 药物发现 药物发现

背景情况:

• 光显微镜和诸如细胞涂料之类的染料对于观察药物效应至关重要,但成本昂贵,并且可能具有细胞毒性.
• 亮场显微镜更简单,更便宜,但提供较低的对比度,阻碍细胞隔间可视化.

研究的目的:

• 为了比较深度学习模型的预测性能,训练在亮场与光显微镜图像对比,以确定药物作用机制 (MoA).
• 为了将亮场模型的性能与从光图像中提取的CellProfiler特征进行比较.

主要方法:

• 开发和训练使用亮场和光显微镜图像的深度学习模型.
• 从光图像中提取了CellProfiler特征,用于基准测试.
• 利用可解释的AI技术来分析模型预测.

主要成果:

• 布莱特菲尔德显微镜模型实现了与光显微镜模型对MOA预测的可比预测性能.
• 模型的表现在两种成像方式之间都有很大的相关性.
• 可解释的AI提供了对模式特定化合物预测的见解.

结论:

• 应用在亮场显微镜图像上的深度学习为MOA预测提供了光显微镜的可行和经济有效的替代方案.
• 这一发现对于大规模的时延细胞成像研究来说尤其有希望,因为光方法具有挑战性.
• 这项研究强调了人工智能增强的简单成像技术在药物发现管道中的潜力.