使用Pycytominer进行可复制的基于图像的分析

科学领域:

• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.
• 细胞成像 细胞成像

背景情况:

• 高通量显微镜产生大量的高内容图像数据.
• 从这些图像中分析单细胞特征对于下游应用至关重要.
• 现有的基于图像的分析方法可能很复杂,需要专门的专业知识.

研究的目的:

• 介绍Pycytominer,一个用户友好的,开源的Python包用于基于图像的配置文件.
• 简化从显微镜图像中获得的单细胞特征的生物信息学分析.
• 在机器学习环境中展示Pycytominer的实用性.

主要方法:

• 开发一个Python包,Pycytominer,实现基于图像的配置文件工作流.
• 使用Pycytominer从高含量显微镜分析单细胞特征.
• 应用机器学习模型来预测使用Pycytominer衍生功能的麻烦化合物.

主要成果:

• 在下游分析中,Pycytominer成功地处理单细胞特征.
• 该套件促进了基于图像的配置文件管道的实施.
• 在机器学习任务中证明了有效性,以识别导致细胞损伤的化合物.

结论:

• Pycytominer提供了一个可访问的工具,用于生物研究中的基于图像的分析.
• 该软件包增强了用于机器学习应用的高内容显微镜数据的可用性.
• 皮赛托米纳有助于识别有问题的化合物,有助于更安全的基于细胞的测试.