通过可解释的无监督学习,对细胞进行可概括的形态分析
Rashmi Sreeramachandra Murthy1, Shobana V Stassen1, Dickson M D Siu1,2
1Department of Electrical and Electronic Engineering, The University of Hong Kong, Pokfulam, Hong Kong.
Nature communications
|December 11, 2025
概括
MorphoGenie是一个无监督的深度学习框架,可以在没有手动注释的情况下准确地进行单细胞形态分析. 这种先进的方法克服了数据挑战,为细胞生物学研究揭示了微妙的细胞行为.
科学领域:
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- 传统的细胞分析是劳动密集型和有偏见的.
- 深度学习提供了替代方案,但缺乏解释性,需要标记数据.
研究的目的:
- 介绍MorphoGenie,这是一个无监督的深度学习框架,用于单细胞形态分析.
- 开发一种方法,克服维度的诅咒,并提供可解释的结果.
主要方法:
- 利用解的表示学习和高保真图像重建.
- 创建了一个紧的,可解释的潜空间,用于捕捉生物学上有意义的特征.
- 将隐藏的表征与层次形态学属性联系起来,以获得语义解释性.
主要成果:
- 在各种成像模式和实验条件下实现了强大的性能.
- 实现了精确的细胞类型/状态分类和连续轨迹推断.
- 通过手动检查经常错过的细胞行为.
结论:
- MorphoGenie为形态分析提供了一个通用,公正的策略.
- 该框架增强了细胞生物学的定量和数据驱动的转变.
- 为发现新的细胞洞察力提供了一个强大的工具.
