使用深度学习对S. cerevisiae四级进行高通量分类.

科学领域:

• 遗传学和分子生物学
• 细胞生物学 细胞生物学
• 生物信息学是一种生物信息学.

背景情况:

• 介质交叉对于精确的染色体分离和性繁殖生物的进化至关重要.
• 在Saccharomyces cerevisiae中分析介质重组通常需要四度解剖,这是一个劳动密集型的过程.
• 使用酵母四分体中的光标记物可视化介质事件为剖析提供了一个替代方案.

研究的目的:

• 开发和验证基于深度学习的管道,用于对Saccharomyces cerevisiae中介性重组的自动化高通量分析.
• 量化关键的介质事件,包括交叉频率,干扰,染色体错误分离和基因转换.
• 为了证明这种自动化方法在加速发现参与介质调节的基因方面的潜力.

主要方法:

• 开发一个深度学习管道,用于图像识别和分类酵母.
• 应用管道来分析来自野生类型和基因淘汰酵母菌株的大量图像数据集.
• 量化介质交叉频率,干扰,染色体误分和基因转换事件.

主要成果:

• 深度学习管道成功地检测和分类了酵母四级体中的介质事件.
• 该方法允许高通量量化交叉频率和干扰.
• 对基因淘汰突变的分析揭示了介质参数的变化,突出了管道的实用性.

结论:

• 开发的深度学习管道为分析Saccharomyces cerevisiae中介性重组提供了一种高效和自动化的方法.
• 这种方法显著加速了对介质过程的研究和调节基因的识别.
• 该工具具有广泛的潜力,可以促进染色体分离和进化遗传学的研究.