低度细胞绘制图像使得识别高强度化合物成为可能
Son V Ha1,2, Steffen Jaensch3, Lorena G A Freitas1
1Janssen Pharmaceutica, N.V., a Johnson & Johnson company, 2340, Beerse, Belgium.
Scientific reports
|October 17, 2024
概括
这项研究展示了一种新的方法,用于识别使用基于图像的模型的强效化合物. 将高度训练与低度推断相结合,可以显著提高生物测试中的化合物效率预测.
科学领域:
- 计算生物学是一种计算生物学.
- 高含量选 高含量的选
- 药物发现 药物发现
背景情况:
- 基于图像的模型分析细胞显微镜图像,以预测生物测试中的小分子活动.
- 当前的模型在训练低度化合物图像时通常表现不佳,通常使用10μM或更高度.
研究的目的:
- 为了研究低度图像数据的实际实用性,以改善化合物效能预测.
- 开发一种新的方法,将高度模型训练与低度推断相结合,以便更好地识别强效化合物.
主要方法:
- 开发了一种混合方法,利用在高图像度下训练的高性能模型.
- 应用这些模型推断使用较低的图像度数据 (例如,1μM,3μM,5μM) 来识别更强大的化合物.
- 与使用AUC-ROC和RIPtoP校正的AUC-PR指标的常规方法相比,评估了性能.
主要成果:
- 提出的方法在基于AUC-ROC的65%的试验中改进了传统方法.
- 混合方法显示,RIPtoP校正的AUC-PR在识别强效化合物的过程中得到了75%的改善.
- 证明了低度图像数据的实际实用性,此前被认为是次优的.
结论:
- 将高度训练与低度推断相结合,是提高强效小分子识别的有效策略.
- 这种方法比传统方法有显著的改进,特别是在低度数据可用的测试中.
- 强调在计算药物发现中重新评估和整合以前未被充分利用的低度图像数据的价值.
更多相关视频
10:49Identification of Small Molecule-binding Proteins in a Native Cellular Environment by Live-cell Photoaffinity Labeling
Published on: September 20, 2016
12.6K
11:19Multimodal Hierarchical Imaging of Serial Sections for Finding Specific Cellular Targets within Large Volumes
Published on: March 20, 2018
10.4K
