DeepD3是一个开放的框架,用于自动量化树突棘的量化
Martin H P Fernholz1, Drago A Guggiana Nilo1, Tobias Bonhoeffer1
1Max-Planck-Institute for Biological Intelligence, Martinsried, Bavaria, Germany.
PLoS computational biology
|February 29, 2024
概括
人类对树突棘的分析是不可靠的. DeepD3是一个开放的深度学习框架,从显微镜数据中自动化树突脊柱量化,提高可复制性并提供透明,灵活的方法.
科学领域:
- 神经科学是一个神经科学.
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
背景情况:
- 状棘对于突触可塑性,学习和记忆至关重要.
- 通过显微镜手动量化树突棘是劳动密集型的,容易出现重大的人类错误.
- 手动注释中的实质性评分器间变异性挑战了自动化方法的实验可重现性和验证.
研究的目的:
- 在显微镜数据中开发一个强大的,自动化框架来量化树突.
- 为了解决手动脊柱分析的局限性,并提高实验的可重复性.
- 为树突脊柱量化提供开源,透明和灵活的解决方案.
主要方法:
- 开发DeepD3,一个基于深度学习的框架,利用神经网络.
- 在多个专家注释的不同数据集上训练神经网络.
- 在各种成像模式,物种和实验条件中验证框架.
主要成果:
- DeepD3提供了树突和树突的精确和自动量化.
- 该框架在各种数据集中显示出稳定性,表明其广泛适用性.
- 在脊柱量化中,人类对人类的变异性被发现是相当大的 (82.2±6.4%的评价者间可靠性).
结论:
- DeepD3提供了一种可复制,透明和准备使用的树突脊柱量化方法.
- 开放的框架,包括训练数据和模型,解决了可访问的树突脊柱数据集的稀缺问题.
- 使用DeepD3进行自动定量,提高了涉及树突脊柱的神经科学研究的可靠性和有效性.
