通过深度生成模型改进光图像中蛋白质亚细胞位置的定量预测

科学领域:

• * 计算生物学 计算生物学
• * 生物信息学是一门学科.
• * 细胞生物学 细胞生物学

背景情况:

• * 机器学习有助于蛋白质亚细胞定位研究,特别是多标签蛋白质.
• *现有的方法专注于定性分类,忽视了对于理解蛋白质功能至关重要的定量分布.
• * 对于多标签蛋白质的定量注释存在显著的数据差距.

研究的目的:

• * 开发一个生成模型,PLocGAN,用于创建带有条件定量注释的细胞图像.
• * 通过使用部分标签学习来克服缺乏定量培训数据的缺陷.
• *通过对比学习增强生成图像的多样性.

主要方法:

• * 开发了PLocGAN,一个有条件的生成对抗网络 (GAN).
• *部分标签学习用于条件学习,使训练具有定性标签.
• * 整合了对比学习以改善生成的细胞图像的多样性.

主要成果:

• *PLocGAN成功地在合成和真实数据集上生成了高准确度和多样性的细胞图像.
• * 该模型的性能优于现有的最先进的生成方法.
• *使用生成的图像用于训练预测模型显著提高了定量估计的准确性.

结论:

• * 深度生成模型是生物图像分析的有效工具.
• * 通过解决数据稀缺问题,PLocGAN为定量亚细胞蛋白质组学提供了一个新的解决方案.
• *生成的定量数据增强了多标签蛋白质局部化的预测.