在深度学习时代,用于药物发现的形态分析
Qiaosi Tang1, Ranjala Ratnayake2, Gustavo Seabra2
1Calico Life Sciences, South San Francisco, CA 94080, United States.
Briefings in bioinformatics
|June 17, 2024
概括
形态分析使用高通量成像和机器学习来分析细胞图像. 这种方法通过揭示化合物效应和帮助治疗开发来推进表型药物发现.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 细胞成像 细胞成像
背景情况:
- 高通量自动成像以单细胞分辨率捕捉详细的细胞形态.
- 机器学习和深度学习显著提高了对大规模图像数据集的分析.
- 形态分析对于理解药物机制和识别新疗法至关重要.
研究的目的:
- 提供关于形态分析近期进展的综合性回顾.
- 总结图像分析工作流程和各种分析策略.
- 突出深度学习在药物发现的形态分析中的作用.
主要方法:
- 审查图像分析工作流程,包括功能工程和深度学习方法.
- 对深度学习应用程序的调查:细胞细分,图像表示学习和多式模式学习.
- 介绍用于形态分析的公开可用的基准数据集.
主要成果:
- 深度学习显著改善了用于表型药物发现的高内容图像的分析.
- 既定的工作流程和多种分析策略有助于理解复合效应.
- 公共数据集可以进行基准测试,并进一步发展该领域.
结论:
- 由人工智能驱动的形态分析是表型药物发现的变革性工具.
- 深度学习的进步是释放细胞图像分析的全部潜力的关键.
- 该领域为开发新疗法和解决药物开发方面的挑战提供了机会.
