从CellProfiler表示生成现实的单细胞图像

科学领域:

• 计算生物学 计算生物学
• 生物图像分析 生物图像分析
• 机器学习在生物学中的应用

背景情况:

• 高通量成像产生了大量的生物数据,通常通过定量表示向量进行分析.
• 目前用于将细胞信息提取到表示中的方法包括手工制作和机器学习方法.
• 机器学习的表示提供了高的重建,但缺乏生物解释性,而手工制作的可解释,但在图像生成方面不确定.

研究的目的:

• 开发一个模型,直接从CellProfiler表示生成现实的细胞图像.
• 为了确保在图像生成过程中保持生物解释性.
• 探索该模型在生成条件表型方面的能力,用于诊断和药物查中的应用.

主要方法:

• 提出了一个新的CellProfiler到图像 (CP2Image) 模型.
• 在各种架构中评估模型稳定性:ResNet,InceptionNet和Transformer.
• 通过将CellProfiler特征的变化与生成的图像改变相关联,证明了生物信息的保存.

主要成果:

• CP2Image模型成功地从CellProfiler表示中生成现实的细胞图像.
• 在CellProfiler特征中编码的生物信息在生成的图像中保存得很好.
• 该模型在不同的神经网络架构中表现出稳健性.

结论:

• CP2Image模型弥合了可解释的手工制作特征和现实的图像生成之间的差距.
• 这种方法有助于在图像合成中使用生物学上有意义的表示.
• 产生条件表型的能力对推进基于细胞的诊断和药物发现具有重大潜力.