在多重成像数据中的细胞表达的自动分类使用Nimbus

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
• 人工智能的人工智能

背景情况:

• 多复合成像对于分析健康和疾病中的组织空间地形至关重要.
• 精确的细胞表型需要列举标记物组合,通常使用无监督的聚类.
• 现有的方法在处理各种多重复合成像数据方面面临挑战.

研究的目的:

• 开发一种深度学习模型,用于预测多重成像数据中的标记者阳性.
• 创建一个大规模的数据集 (Pan-Multiplex) 用于培训和验证模型.
• 通过与聚类算法集成来实现强大的细胞亚型识别.

主要方法:

• 构建Pan-Multiplex (Pan-M) 数据集,包含15种细胞类型的1.97亿个注释.
• 开发Nimbus,这是一个预训练的深度学习模型,用于预测标记者的积极性.
• 在不同细胞类型,组织和显微镜平台上验证Nimbus,而无需重新培训.

主要成果:

• 尼布斯准确地预测来自多重图像数据的标记表达模式.
• 该模型捕捉了Pan-M数据集中存在的标记物的多样性.
• 尼布斯预测有效地与下游集群集成,用于强大的细胞亚型识别.

结论:

• 尼布斯为分析多重复合成像数据提供了一个强大的,可通用的工具.
• 开源的Nimbus模型和Pan-M数据集有助于社区在空间生物学方面的研究.
• 这种方法增强了复杂生物组织中的细胞表型和亚型发现.