一个自我监督的机器学习管道,用于在多个剂量和时间点上从活细胞图像中提取信息

科学领域:

• 细胞生物学 细胞生物学
• 计算生物学 计算生物学
• 药物发现 药物发现 药物发现

背景情况:

• 活细胞是动态系统,但传统的测试会破坏它们,缺少时间变化.
• 现场亮场成像是无标签的和可扩展的,但患有低对比度和批量灵敏度.
• 现有的亮场成像计算方法有限,阻碍了其潜力.

研究的目的:

• 开发一个强大的计算管道,用亮场成像分析活细胞动态.
• 为了应对亮场显微镜中低对比度和批量灵敏性的挑战.
• 为了提取药物开发的微妙,时间和剂量依赖的细胞反应.

主要方法:

• 开发了活细胞动力学 (LCD),一种基于变压器的管道,使用自主监督学习.
• 实现了新的平面不可知增强和交叉批量采样,以处理成像变化.
• 在多种化合物和时间点上对表型活性和作用机制 (MoA) 分类的评估性能.

主要成果:

• 液晶管道在活动和MoA分类方面显著超过了基线方法.
• 证明了从多剂量/时间点数据中检测复合多药物学的能力.
• 实现了无监督核的检测和计数,突出显示了系统的多功能性.

结论:

• 液晶显示器提供了一个可扩展的,具有成本效益的解决方案,用于从亮场成像分析活细胞状态.
• 这种方法促进了基础模型的训练,以检测微妙的细胞变化.
• 开发的方法推进了活细胞成像分析,以加速药物开发.