从3D单细胞核染色图像中预测细胞周期阶段

科学领域:

• 细胞生物学 细胞生物学
• 生物医学研究生物医学研究
• 机器学习应用 机器学习应用

背景情况:

• 细胞周期动态对于理解真核细胞的增殖,分化和再生至关重要.
• 目前的细胞循环分析方法很复杂,可能会干扰实验结果.
• 有效的细胞循环注释对于发展,健康,衰老和疾病的研究至关重要.

研究的目的:

• 从显微镜数据开发一个高效,具有成本效益的机器学习工作流 (CellCycleNet) 来进行细胞周期分期.
• 为了简化细胞周期注释,以最小的实验者干预.
• 为了能够准确地预测细胞周期的相位,只使用DAPI染色在固定的相间细胞中.

主要方法:

• 开发了CellCycleNet,这是一个机器学习工作流程,利用固定相间细胞中的DAPI染色核.
• 训练有素的支持向量机器 (SVM) 和深度神经网络模型,使用Fucci2a报告员系统作为基础真相.
• 利用两个比较图像数据集进行模型训练和验证.
• 使用3D图像功能与2D投影的性能比较.

主要成果:

• CellCycleNet只使用DAPI染色,准确地预测细胞周期阶段 (G1与S/G2).
• 工作流的性能优于最先进的SVM模型.
• 对多个数据集的同时训练产生了最高的分类准确性 (AUROC改进为0.08-0.09).
• 该模型在不同的显微镜中表现出了出色的概括性 (AUROC为0.95).
• 3D图像的特点是显著提高了对2D投影的分类性能.

结论:

• 细胞循环网 (CellCycleNet) 提供了一种简化且准确的方法,用于从显微镜图像中进行细胞循环分析.
• 机器学习方法减少了实验的复杂性和成本.
• 开发的模型和数据被发布为社区资源,以推进细胞循环研究.