使用点云对3D多块细胞内结构进行可解释的表示学习
Ritvik Vasan1, Alexandra J Ferrante1, Antoine Borensztejn1
1Allen Institute for Cell Science, Seattle, WA, USA.
bioRxiv : the preprint server for biology
|August 2, 2024
概括
这项研究引入了一个新的深度学习框架,用于分析复杂的细胞内结构. 该方法客观地量化了细胞形态,改善了我们对亚细胞组织的理解,并使表型概况成为可能.
科学领域:
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 了解细胞下组织需要对细胞内结构的客观量化.
- 复杂的多块形态对传统的分析方法构成挑战.
- 现有的方法缺乏对各种细胞结构的稳定性和通用性.
研究的目的:
- 为分析复杂的细胞内结构开发一种形态学适当的表示学习框架.
- 创建细胞形态的方向独立,紧,和可解释的表示.
- 为了实现细胞下组织的客观,强大和可概括的量化.
主要方法:
- 利用3D旋转不变自动编码器和点云来进行表示学习.
- 应用框架以点点 (例如,DNA复制焦点) 和多态 (例如,核细胞) 细胞内结构.
- 系统地将框架与基于图像的自动编码器进行比较,使用各种数据集,包括合成数据.
主要成果:
- 该框架成功地学习了复杂形态的导向独立和可解释的表征.
- 基准测试表明,在效率,生成能力和表示表达性方面存在权衡.
- 这种方法促进了细胞结构内的子集群的无监督发现.
- 在药物干扰后核细胞的表型剖析中证明了应用.
结论:
- 拟议的形态学适当的框架为分析细胞内结构提供了强大的和可泛化的方法.
- 这种方法增强了亚细胞组织的客观量化.
- 该框架在药物发现和理解细胞对干扰的反应方面具有潜在的应用.
