爱你的邻居:在芽酵母中用于追踪和谱系追踪的神经网络

科学领域:

• * 生物图像分析
• * 细胞生物学 细胞生物学
• * 显微镜中的机器学习

背景情况:

• * 细胞追踪和谱系追踪对于理解细胞动态至关重要,但由于细胞分裂,形状变化和密集的人口,它们具有挑战性.
• *现有的方法难以准确,特别是图像间的时间间隔越来越长,以及像芽发酵菌这样具有挑战性的细胞类型.
• * 发芽酵母中的不对称细胞分裂和殖民地生长进一步复杂化了精确的细胞追踪和血统追踪.

研究的目的:

• * 开发基于神经网络的先进方法,用于在芽酵母中进行强大的细胞追踪和血统追踪.
• * 解决当前算法在处理细胞分裂,形状变异性和密集的殖民地环境方面的局限性.
• *为酵母研究中的生物图像分析提供准确可靠的工具.

主要方法:

• * 开发了两个神经网络模型:LYN-track用于细胞追踪和LYN-trace用于血统追踪.
• *利用细胞及其局部社区的精细几何特征作为神经网络的输入.
• * 创建和注释新的芽和裂变酵母显微镜数据集 (78,852个框架到轨道,2512张图像) 用于培训和验证.

主要成果:

• * LYN-track和LYN-trace在新的和现有的酵母显微镜数据集上都表现出强大,最先进的性能.
• *神经网络的方法有效地利用细胞的几何特征来改善跟踪和谱系的准确性.
• *性能明显优于现有方法,特别是在具有挑战性的场景中,如密集的芽酵母菌群.

结论:

• * 发达的神经网络为芽酵母的自动细胞追踪和血统追踪提供了重大进步.
• * LYN-track和LYN-trace为生物图像分析提供了可靠的解决方案,克服了以前技术的局限性.
• *这些工具可以通过Github上的GUI访问,并且可以为定制应用程序重新培训,从而促进更广泛的采用.