使用深度学习从明亮场细胞图像中提取定量生物信息.

科学领域:

• 生物医学成像技术 生物医学成像技术
• 计算生物学 计算生物学
• 细胞生物学 细胞生物学

背景情况:

• 细胞结构的定量分析在生物医学和制药研究中至关重要.
• 传统的光显微镜需要侵入性,耗时,昂贵的化学染色方法.
• 这些染色技术可能对细胞有毒,并限制分析能力.

研究的目的:

• 开发一种非侵入性,高效和低成本的替代传统细胞染色方法.
• 利用深度学习进行从明亮场图像中对细胞结构的定量分析.
• 为了实现纳米医学和疫苗开发中的应用,先进的细胞分析.

主要方法:

• 使用条件生成对抗网络 (cGAN) 进行图像分析.
• 在人类干细胞衍生脂肪细胞 (脂肪细胞) 的明亮场图像上训练了cGAN.
• 产生了脂质滴,细胞质和细胞核的"几乎染色"图像.

主要成果:

• 展示了对虚拟染色的强大和快速融合的深度学习方法.
• 从生成的图像中成功地提取了细胞结构的定量测量.
• 验证了该方法在分析纳米医药和疫苗开发中相关的脂肪细胞方面的有效性.

结论:

• 基于深度学习的虚拟染色为化学染色提供了一个不那么侵入性的,更可复制的,更具成本效益的替代方案.
• 这种方法通过释放显微镜通道,提高了从每个细胞中提取信息的能力.
• 提供了一个Python软件包,以便更广泛地访问和定制虚拟染色和细胞分析方法.