光终身成像实验的数据驱动分析:用机器学习解开受污染的微藻细胞的信号/压力关系

科学领域:

• 植物生理学 植物生理学
• 生物物理学的生物物理.
• 环境毒理学环境毒理学

背景情况:

• 叶绿素光衰变档案提供了关于植物应激耐受性和光合作用损伤的见解.
• 解释这些光数据可能是复杂和有争议的.
• 光终身成像显微镜 (FLIM) 提供了光衰变的详细测量.

研究的目的:

• 用数据驱动方法研究FLIM测量和微藻细胞应激条件之间的关系.
• 分析铜 (II) 暴露对Coccomyxa cimbrica光合作用循环的影响.
• 使用机器学习开发预测模型,将光信号形状映射到铜 (II) 剂量,并识别与压力相关的特征.

主要方法:

• 来自FLIM的实验数据显示,Coccomyxa cimbrica随着时间的推移暴露于不同度的Cu.
• 监测单细胞的和光衰变特征.
• 应用机器学习模型,包括随机森林,回归器,完全连接的神经网络和卷积神经网络.
• 特性工程用于识别相关的信号描述符.

主要成果:

• 精心表格化的数据使用标准的ML模型实现了可接受的预测.
• 随机森林和山脊回归者展示了最好的预测性能.
• 特征重要性分析强调了统计信号特征和衰变率作为细胞健康的关键描述因素.
• 像神经网络这样的复杂模型,通过仔细的特征工程,实现了与更简单模型相比的性能.

结论:

• 使用ML的数据驱动方法可以有效地预测来自于叶绿素光衰变的细胞应激.
• 功能工程与更简单的ML模型相结合,为分析微藻对铜毒性的反应提供了一种有效的方法.
• 当使用适当的ML技术分析FLIM数据时,可以提供宝贵的见解,了解压力下的微藻细胞的健康状况.