生物物理模拟可实现分段和神经系统地图绘制,用于图像第一空间奥米克
Lina Mohammed Ali1,2, Aldrin Kay Yuen Yim1,3, Emanuel Gerbi1,2
1Department of Genetics, Washington University School of Medicine, St. Louis, MO, USA.
NPJ systems biology and applications
|December 14, 2025
概括
神经系统中的空间奥米克 (SO) 分析得到了SiDoLa-NS的改进,它使用合成图像来训练神经网络. 这消除了手动注释,使神经组织结构的准确细分成为可能.
科学领域:
- 神经科学是一个神经科学.
- 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:
- 空间奥米克 (SO) 在组织中提供高分辨率的分子映射.
- 精确的解剖细分对于SO分析至关重要,但在复杂的神经组织中具有挑战性.
- 目前的方法需要大量的手动注释,限制了可扩展性.
研究的目的:
- 开发一种基于图像的自动化方法,用于神经系统中的空间奥米克分析.
- 为了克服神经组织细分中手动注释的瓶.
- 为各种物种和组织架构创建可转移的模型.
主要方法:
- 介绍了SiDoLa-NS (模拟,不要标记神经系统),一个图像驱动的框架.
- 基于生物物理特性生成合成组织图像,以创建训练数据.
- 训练有素的监督实例细分卷积神经网络 (CNN) 用于核和组织结构细分.
主要成果:
- 使用合成数据实现了高精度和F1分数 (>0.95) 的核细分.
- 在小鼠大脑 (mAP50=0.869),脊髓 (mAP50=0.96) 和猪坐骨神经 (mAP50=0.995) 中成功识别了宏观组织结构.
- 证明了可扩展的培训数据生成和模型可转移性的潜力.
结论:
- SiDoLa-NS有效地解决了神经系统空间学中手动注释的挑战.
- 该框架使神经组织结构的准确细分成为可能,加速了SO应用.
- 这种方法促进了跨不同物种和组织类型的可转移模型的开发.
