QuantCell:基于机器学习的细胞注释,来自定性和定量成像资料

科学领域:

• 空间奥米克斯 空间奥米克斯
• 生物信息学是一种生物信息学.
• 计算生物学是一种计算生物学.

背景情况:

• 空间奥米克技术提供了高分辨率的基因和蛋白质表达的成像.
• 准确的细胞注释对于分析复杂的组织数据至关重要,但仍然具有挑战性.
• 有限的标记物,重叠的表达和罕见的细胞类型阻碍了传统的注释方法.

研究的目的:

• 介绍QuantCell,一个机器学习 (ML) 框架,用于改进空间奥米克数据中的单元格注释.
• 利用定量成像数据进行更可靠的细胞识别.
• 提供一个强大的和自动化解决方案,用于空间奥米克分析.

主要方法:

• QuantCell使用多个ML模型来确定细胞注释的最佳方法.
• 用户定义的错误发现率 (FDR) 被应用以确保注释可靠性.
• 该框架使用来自小鼠骨髓的PhenoCycler成像数据进行了验证.

主要成果:

• 在5%的FDR中,QuantCell将单元注释从33.1%增加到90.2%.
• 与传统的注释方法相比,获得了96.5%的准确性.
• 在预测准确度方面超越了现有的方法,并最大限度地减少了对丰富细胞类型的偏见,从而使罕见细胞检测成为可能.

结论:

• QuantCell提供了一个有效的基于ML的解决方案,用于空间奥米克单元格注释.
• 该框架提高了注释的准确性,可靠性和效率,特别是在罕见细胞群体中.
• QuantCell与各种成像平台兼容,可以适应特定的研究需求,减少对手工注释的依赖.