人工智能是必要的吗? 检查在图像激活分类中对深度学习的需求Saccharomyces cerevisiae
Mika Hayashi1, Shinsuke Ohnuki2, Yating Tsai2
1Department of Chemistry, Graduate School of Science, The University of Tokyo, Tokyo 113-0033, Japan. goda@chem.s.u-tokyo.ac.jp.
Lab on a chip
|August 31, 2023
概括
深度学习 (DL) 显著增强了用于酵母菌遗传查的图像激活细胞分类 (IACS). 与传统方法相比,卷积神经网络 (CNN) 提供了更高的丰富性,验证了DLL.
科学领域:
- 生命科学 生命科学
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 人工智能 (AI) 越来越多地用于生命科学,特别是用于分析成像流细胞计的细胞图像数据.
- 支持人工智能的图像激活细胞分类 (IACS) 是有前途的,但由于处理时间的限制而面临限制.
- 目前的IACS方法通常依赖于传统的特征隔离,对细胞分类先进AI的必要性尚不清楚.
研究的目的:
- 评估AI对IACS图像分类的必要性.
- 为了比较特征门,经典机器学习 (ML) 和深度学习 (DL) 与卷积神经网络 (CNN) 的性能,以区分酵母突变图像.
- 在IACS中验证DL的可行性和价值,用于基于形态学的遗传查.
主要方法:
- 对比特征门,经典ML和DL (CNNs) 用于分类Saccharomyces cerevisiae突变图像.
- 在混合突变种群上执行IACS.
- 使用下游DNA测序进行量化向菌株丰富.
主要成果:
- 经典的ML提供了2.8倍的增强目标缩,但增加了13.7倍的处理时间.
- 一个CNN的缩能力提高了11.0倍,处理时间增加了11.5倍.
- 下游DNA测序证实了DL在IACS中的有效性.
结论:
- 深度学习 (DL) 是可行的,并有价值的IACS在基于形态的基因查S. 类植物. 类植物.
- 与传统方法相比,CNN在IACS的目标缩能力上提供了显著的改进.
- 该研究鼓励将DL纳入未来的IACS生物研究进步.
