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:

• 细胞周期动态对于真核细胞的增殖至关重要,对生物和医学研究至关重要.
• 现有的细胞周期分析方法通常需要复杂的实验程序,这可能会使数据解释复杂化.
• 需要简化,具有成本效益和最少侵入性的技术来准确地确定细胞周期阶段.

研究的目的:

• 开发一种机器学习 (ML) 工作流程,CellCycleNet,用于从光显微镜数据中简化细胞周期分期.
• 为了实现精确的细胞周期阶段预测,实验者的干预和成本最小.
• 为社区提供资源,包括用于细胞循环分析的数据,模型和软件.

主要方法:

• 开发了CellCycleNet,这是一个用于细胞周期分期的机器学习工作流.
• 利用DAPI染色用于固定相间细胞中的核可视化.
• 训练 2D 和 3D 机器学习模型 (支持矢量机器和深度神经网络),使用 Fucci2a 报告员系统作为基础真相.
• 在两个比较图像数据集上评估模型性能,重点关注G1与S/G2阶段分类.

主要成果:

• CellCycleNet只使用DAPI染色核,准确地预测细胞周期阶段.
• 与2D模型相比,3D CellCycleNet模型表现出更高的性能,并支持矢量机器方法.
• 同时对多个数据集进行训练,产生了最高的分类准确性 (AUROC为0.94-0.95).
• 整合3D功能显著提高了所有测试模型架构的分类性能.

结论:

• 细胞循环网 (CellCycleNet) 提供了一种简化且有效的方法,用于从显微镜图像中确定细胞循环阶段.
• 使用3D功能对于提高基于机器学习的细胞周期分析的准确性至关重要.
• 发布的数据,模型和软件有助于更广泛的采用和细胞循环研究的进步.