一种计算机视觉和残余神经网络 (ResNet) 结合方法,用于对高通量微流体单细胞图像进行自动和准确的酵母复制老化分析
Qin Xiao1, Yingying Wang1, Juncheng Fan1
1Southeast University, School of Integrated Circuits, School of Electronic Science and Engineering, Key Laboratory of MEMS of Ministry of Education, Sipailou 2, Nanjing, 210096, China.
Biosensors & bioelectronics
|November 10, 2023
概括
使用计算机视觉和深度学习的新算法从高通量显微镜图像中自动化了酵母复制寿命 (RLS) 确定. 这种方法准确地追踪了微流体培养中的青芽酵母细胞衰老和行为.
科学领域:
- 细胞生物学 细胞生物学
- 生物技术是生物技术.
- 计算生物学是一种计算生物学.
背景情况:
- 微流体平台可实现高通量单细胞培养,简化了酵母复制老化研究.
- 来自时间延迟成像的大数据集对准确的酵母寿命确定构成挑战.
- 自动化分析对于从广泛的显微镜研究中提取有意义的数据至关重要.
研究的目的:
- 开发和验证一种自动化算法,用于分析发芽酵母 (Saccharomyces cerevisiae) 的高通量显微镜图像.
- 使用专门的算法,高效地确定酵母复制寿命 (RLS) 和芽时间间隔 (BTI).
- 利用计算机视觉和深度学习在微流体单细胞分析中准确识别细胞行为.
主要方法:
- 开发了一种微流体双体酵母长期培养 (DYLC) 芯片,具有1100个单细胞陷.
- 实现一个图像处理算法,将计算机视觉和残余神经网络 (ResNet) 结合起来.
- 这些步骤包括微图细分,特征标记,ResNet培训,信号转换,事件识别和RLS/BTI确定.
主要成果:
- 在识别酵母芽事件方面,ResNet算法获得了高F1分数 (超过92%).
- 精确识别关键事件:芽的出现,子细胞的分离和细胞死亡.
- 在处理来自微流体单细胞培养的大型数据集方面表现出有效性.
结论:
- 开发的算法高效地处理高通量显微镜图像,用于自动化的酵母RLS分析.
- 像ResNet这样的深度学习方法对于识别微流体系统中的细胞动态和行为是有效的.
- 这种方法可以适应在各种微流体单细胞研究中分析多种细胞行为.
