活细胞X:一种可扩展的深度学习框架,用于活细胞成像中的单细胞面向对象分析

科学领域:

• 生物技术是生物技术.
• 计算生物学 计算生物学
• 细胞生物学 细胞生物学

背景情况:

• 在活细胞成像中对单细胞动态的准确定量分析对于理解细胞异质性,疾病机制和药物反应至关重要.
• 活细胞成像中的细分和跟踪错误可能是级联的,尽管最近取得了进展,但会对轨迹分析产生重大影响.
• 现有的方法在精确的细胞细分和跟踪方面扎,限制了下游分析的可靠性.

研究的目的:

• 介绍LivecellX,一个基于深度学习的,面向对象的框架,用于可扩展的活细胞动态分析.
• 通过新的校正技术和评估指标来解决细分错误 (过分和不足细分).
• 为高通量单细胞成像分析提供强大的基础设施,包括特征提取和谱系重建.

主要方法:

• 开发了一个纠正细分网络 (CS-Net),使用规范距离转换和合成增强来纠正细分的不准确性.
• 实施了轨迹级校正算法,利用时间一致性和CS-Net.
• 标注了来自两个不同的显微镜类型的新型活细胞成像数据集,用于培训和验证.
• 设计了一个面向对象的框架,支持Napari GUI和并行计算,以实现高效的数据管理和分析.

主要成果:

• CS-Net有效地纠正细分不准确性,减少图像和轨迹层面的错误.
• 在不同的数据集和成像平台上,LivecellX表现出强大的性能.
• 该框架促进生物过程检测,特征提取和谱系重建.
• LivecellX提供了一个可扩展和可扩展的基础设施,用于高通量单细胞成像分析.

结论:

• 通过准确纠正细分和跟踪错误,LivecellX在分析活细胞动态方面取得了重大进展.
• 该框架提高了单细胞成像分析的可靠性和可扩展性,支持生物发现.
• 活细胞X为未来活细胞成像分析和基础模型的发展奠定了基础.