通过无监督深度学习来解释亚细胞动态的可解释细粒度表型
Chuangqi Wang1,2, Hee June Choi2,3, Lucy Woodbury2,4
1Department of Immunology and Microbiology, University of Colorado Anschutz Medical Campus, Aurora, CO, 80045, USA.
Advanced science (Weinheim, Baden-Wurttemberg, Germany)
|September 6, 2024
概括
一个新的自我训练的深度学习框架使活细胞动态的可解释的表型化成为可能. 这种方法提取关键特征,以了解细胞异质性和对干扰的反应.
科学领域:
- 计算生物学 计算生物学
- 细胞生物学 细胞生物学
- 机器学习 机器学习
背景情况:
- 了解细胞异质性对于生物过程至关重要.
- 无监督机器学习在提取活细胞动态的可解释和区分特征方面面临挑战.
研究的目的:
- 开发一个自我训练的深度学习框架,用于细粒度和可解释的细胞表型.
- 提取维护细胞异质性和区分生物状态的特征.
主要方法:
- 一个自我训练的深度学习框架,具有无监督教师模型和学生深度神经网络 (DNN).
- 一个基于自编码器的调节器,以最大限度地提高与分子扰动相关的异质性.
- 在迁移的上皮细胞中分析突起动态的应用.
主要成果:
- 该框架获得了具有增强区分能力的特征,保持了分子扰动异质性.
- 在迁移的上皮细胞突起动力学中成功地界定了细粒度的表型.
- 鉴定了对药理干扰的特定反应,并将可解释的特征与时间间隔联系起来.
结论:
- 开发的框架为研究细胞动态和异质性提供了有价值的工具.
- 能够获得高度可解释的特征,用于细粒度的表型.
- 促进对干扰的细胞反应的理解.
更多相关视频
09:21Author Spotlight: Generating Neuronal Phenotypic Profiles - A Protocol to Culture and Image Human Midbrain Dopaminergic Neurons
Published on: July 7, 2023
1.5K
08:17Probing Structural and Dynamic Properties of Trafficking Subcellular Nanostructures by Spatiotemporal Fluctuation Spectroscopy
Published on: August 16, 2021
1.8K
