使用变异自编码器对高度多重化的组织图像进行形态识别分析
Gregory J Baker1,2,3, Edward Novikov1,4, Shannon Coy1,2,5
1Laboratory of Systems Pharmacology, Harvard Medical School, Boston, MA.
bioRxiv : the preprint server for biology
|July 16, 2025
概括
使用先进机器学习的空间蛋白质组学通过准确识别细胞类型和状态来改善单细胞分析. 这种新方法克服了信号溢出,捕捉了形态,为研究人员增强了组织分析.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 蛋白质组学是指蛋白质组学
背景情况:
- 空间蛋白质组学为组织中的细胞组织提供了深刻的见解.
- 目前的细分方法在信号溢出方面扎,缺乏形态细节.
- 准确的单细胞分析对于了解组织微环境和疾病至关重要.
研究的目的:
- 在空间蛋白质组学中开发一种改进的单细胞分析方法.
- 克服传统细分的局限性,包括信号溢出和形态信息丢失.
- 为了产生更准确和细致的细胞类型和状态特征.
主要方法:
- 结合无监督的,像素级机器学习 (自动编码器) 与传统的细分.
- 开发了一种分析高复杂空间蛋白质组学图像的新方法.
- 生成的单细胞数据捕获蛋白质丰富度,形态和当地社区背景.
主要成果:
- 这种新方法准确地捕捉了蛋白质的丰富性,细胞形态和空间关系.
- 成功克服了邻近单元之间的信号溢出问题.
- 与单独细分相比,实现了更细致的细胞类型和细胞状态的表征.
结论:
- 开发的方法提高了空间蛋白质组学中单细胞分析的准确性和细节性.
- 这种方法模仿了人类专家的细微分析,同时克服了技术限制.
- 为组织病理学,疾病诊断和生物研究提供了一个强大的新工具.
关键词:
在CYCIF中,您可以使用CyCIF.在MxIFIF中使用MxIF.人工智能 (AI) 是一种人工智能.癌症 癌症 癌症 癌症 癌症空间蛋白质组学 空间蛋白质组学变化自编码器 (VAE) 的变化自编码器更多相关视频
11:19Multimodal Hierarchical Imaging of Serial Sections for Finding Specific Cellular Targets within Large Volumes
Published on: March 20, 2018
10.5K
11:27Quantitative Multispectral Analysis Following Fluorescent Tissue Transplant for Visualization of Cell Origins, Types, and Interactions
Published on: September 22, 2013
9.5K
