深度学习方法用于使用微模式图像对早期分化人类诱导多能干细胞的空间模式进行分类

科学领域:

• 干细胞生物学 干细胞生物学
• 计算生物学 计算生物学
• 遗传学 是一个遗传学.

背景情况:

• 微型培养促进了人类诱导的多能干细胞 (hiPSCs) 分化成三个胚胎层的分析.
• 在hiPSCs中的遗传异常可以导致在分化过程中高度可变的空间模式.
• 描述这些异常模式对于理解hiPSC行为至关重要.

研究的目的:

• 开发和评估一个卷积神经网络 (CNN) 结构,以全球平均汇集,用于分类早期差异化hiPSCs的微模式图像.
• 通过图像分类来分析具有遗传异常的hiPSCs的分化状态.

主要方法:

• 设计了一个CNN结构,在每个阶段连续减少样本和增加过器数量.
• 全球平均值的聚合是为了减轻过度装配和优化分类而实施的.
• 七种类型的外皮细胞图像代表各种遗传异常 (例如,三体性,单亲性异常,异构性丧失) 用于培训和验证.

主要成果:

• 拟议的CNN模型在早期差异化hiPSCs的微型图像分类方面实现了81.4%的准确性.
• 该方法在区分与遗传异常相关的不同类型的分化模式方面表现出有效性.

结论:

• 开发的CNN方法是分析hiPSCs早期分化的一个有用工具,特别是那些有遗传异常的人.
• 这种方法有助于表征异常的空间模式,提供了对遗传变异对干细胞分化影响的见解.