SEMORE:细分和形态指纹印刷通过机器学习自动化超高分辨率数据分析

科学领域:

• 生物物理学的生物物理.
• 细胞生物学 细胞生物学
• 计算生物学 计算生物学

背景情况:

• 蛋白质组合形态影响细胞功能,无论是正常的还是与疾病有关的.
• 超分辨率显微镜为研究这些组件提供了高分辨率,但缺乏通用分析工具.
• 现有的方法很难从显微镜数据中普遍提取和量化复杂的蛋白质结构.

研究的目的:

• 开发一种通用,半自动的机器学习框架,用于分析蛋白质组合的超分辨率显微镜数据.
• 为了能够对蛋白质组合形态和时间演变进行可靠的量化.
• 为在超高分辨率成像中剖析和表征生物结构提供一个通用的平台.

主要方法:

• 实现了基于密度的多层聚类模块,用于剖析生物组件.
• 开发了一个形态指纹模块,使用基于几何和运动的描述符进行量化.
• 将SEMORE框架应用于各种超分辨率数据集,包括模拟和实验数据 (胰岛素聚合物,NPC等). ) 的情况.

主要成果:

• SEMORE成功地从各种超分辨率数据中提取和量化了各种蛋白质组合及其形态演变.
• 该框架提供了定量见解,例如分类胰岛素聚合途径和确定NPC几何.
• 分析速度显著加快,在几分钟内获得结果.

结论:

• SEMORE是一个多功能和高效的机器学习框架,用于分析蛋白质组合的超高分辨率显微镜数据.
• 它解决了对通用分析工具的需求,使结构和动态的详细量化成为可能.
• SEMORE的时间感知性支持对4D超分辨率数据的分析,进步了该领域.