基于机器学习的3D图像分析协议,用于培养细胞中核包膜管道的3D图像分析
Anisha Hundal1, Defne Urman2, Mia Stanic2
1Department of Laboratory Medicine and Pathobiology, Temerty Faculty of Medicine, University of Toronto, Toronto, ON, Canada; Princess Margaret Cancer Research Centre, University Health Network, Toronto, ON, Canada.
STAR protocols
|August 1, 2024
概括
这项研究引入了一种更快,更准确的方法来测量核外管道. 新协议使用机器学习来分析DNA损伤后形成的结构.
科学领域:
- 细胞生物学 细胞生物学
- 分子生物学分子生物学
- 遗传学 是一个遗传学.
背景情况:
- 核外在各种生物状态中形成复杂的结构.
- 目前用于量化核外结构的现有方法往往是低效或不准确的.
研究的目的:
- 介绍一种用于测量核外管道的新的中度通量协议.
- 为了能够准确量化由DNA双链断裂引起的核外结构.
主要方法:
- 核外管结构的诱导.
- 使用基于机器学习的细分,进行3D图像分析.
- 一种用于有效数据采集的中产量方法.
主要成果:
- 成功实施了一项用于测量核外管道的协议.
- 机器学习的演示用于核结构的精确3D图像分析.
- 建立一种适用于各种核外结构的方法.
结论:
- 开发的协议为分析核外管道提供了一种高效和准确的方法.
- 这种方法超出了DNA修复的范围,适用于各种核包研究.
- 该议定书促进了核包膜动力学和结构变化的先进研究.
