捕捉细胞异质性在细胞群体的表征图像为基础的个人资料使用对比式学习

科学领域:

• 计算生物学是一种计算生物学.
• 细胞成像 细胞成像
• 机器学习 机器学习

背景情况:

• 基于图像的细胞概况测量数千个单细胞特征,以比较扰乱的细胞群.
• 将单细胞数据平均化为样本配置文件,可以掩盖关键的细胞异质性.
• 目前用于聚合细胞配置文件的方法可能很复杂,可能无法完全捕捉种群变异.

研究的目的:

• 引入 CytoSummaryNet,一种基于深度集的新方法,用于改进细胞概况聚合.
• 为了提高基于图像的细胞分析中的作用机制 (MoA) 预测准确度.
• 为分析单细胞特征数据提供更容易获得和更有效的方法.

主要方法:

• CytoSummaryNet使用了多实例学习框架,具有自我监督的对比学习.
• 该模型汇总了单细胞特征,超越了简单的平均值.
• 训练只需要随时可用的扰动标签.

主要成果:

• 与平均配置文件相比,CytoSummaryNet在平均平均精度方面提高了30-68%的行动预测机制.
• 解释性分析显示,该模型优先考虑较大,不拥挤的细胞,同时减轻具有碎片或小线粒细胞的细胞.
• 该方法为单细胞配置文件提供了一个简单的后处理步骤.

结论:

• CytoSummaryNet有效地捕捉了细胞异质性,从而在MoA预测方面取得了显著的改进.
• 自主监督的多实例学习框架为细胞概况聚合提供了一个可访问但强大的工具.
• 这种方法为基于图像的分析数据集的检索性能提供了实质性的进步.