单分子定位显微镜数据的注释和自动细分
Oliver Umney1, Joanna Leng1, Gianluca Canettieri2,3
1Faculty of Engineering and Physical Sciences, School of Computing, University of Leeds, Leeds, UK.
Journal of microscopy
|August 2, 2024
概括
这项研究为细分单分子定位显微镜 (SMLM) 数据提供了一个新的管道,改进了细胞内分子分布的分析. 一个经过重新训练的Cellpose模型在膜细分方面表现出色,使得下游集群分析更好.
科学领域:
- 细胞生物学 细胞生物学
- 显微镜的使用方法
- 生物物理学的生物物理.
背景情况:
- 单分子定位显微镜 (SMLM) 以坐标表形式生成高分辨率的分子定位数据.
- 分析SMLM数据通常涉及到可视化分子分布和执行集群分析.
- 在下游分析之前,对SMLM数据的细分对于在特定的细胞区域内分离局部至关重要.
研究的目的:
- 开发和评估用于注释SMLM数据的计算管道,重点关注精确的膜和细胞细分.
- 为了比较SMLM数据集的不同细分方法,包括值和机器学习.
- 为了能够精确下游分析分子分布在不同的细胞区内.
主要方法:
- 开发一个SMLM数据注释管道.
- 膜细分方法的比较:Otsu值和机器学习模型 (特别是Cellpose).
- 管道的应用以dSTORM图像的细胞颗粒染色为EGFR和EREG.
主要成果:
- 与其他测试方法相比,重新训练的Cellpose模型在膜细分方面表现出优异的性能.
- 该管道成功分割了SMLM数据,允许在膜和细胞内定位之间进行差异化.
- 优化的细分方便了分子分布的下游集群分析.
结论:
- 开发的管道通过提供细胞结构的强大细分来增强SMLM数据的分析.
- 重新训练的机器学习模型,如Cellpose,在SMLM成像中对膜细分非常有效.
- 这种方法广泛适用于先进的SMLM数据分析,特别是用于研究蛋白质定位和相互作用.
