评估细微的caenorhabditis elegans菌株歧视的解决要求,使用经典描述符和CNN转换器模型进行评估
Jose-Julio Peñaranda-Jara1, Santiago Escobar-Benavides1, Joan-Carles Puchalt1
1Instituto de Automática e Informática Industrial, Universitat Politècnica de València, Camino de Vera S/N, 46022, Valencia, Spain.
Scientific reports
|March 2, 2026
概括
高分辨率成像和深度学习对于区分Caenorhabditis elegans菌株的微妙差异至关重要. 这种方法揭示了传统方法错过的独特的运动模式,推动了功能遗传学研究.
科学领域:
- 遗传学 是一个遗传学.
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
背景情况:
- 在基因和行为研究中,区分Caenorhabditis elegans菌株之间的微妙表型变异是具有挑战性的.
- 传统的形态测量和运动描述器往往无法识别运动中的轻微变化.
研究的目的:
- 评估图像分辨率对使用自动化多视图成像对区分C. elegans菌株的影响.
- 评估深度学习模型,特别是CNN-Transformers在识别基于图像序列的微妙表型差异方面的有效性.
主要方法:
- 对三种C. elegans菌株 (N2,vltIs66,unc-1(vlt10) 的综合宏观和高分辨率显微镜成像.
- 使用传统的运动和形状描述器分析了菌株.
- 在两种成像方式和不同分辨率的图像序列上训练了一个CNN-Transformer模型.
主要成果:
- 传统方法无法可靠地将野生型N2菌株与微妙改变的vltIs66菌株分开.
- 在高分辨率显微镜序列上训练的CNN-Transformer在N2和vltIs66之间进行了强有力的区别,识别了传统分析错过的模式.
- 高分辨率图像的逐渐缩小显示了准确分类的关键分辨率值.
结论:
- 高分辨率的,基于序列的深度学习对于检测C. elegans中微妙的运动运动差异至关重要.
- 图像分辨率显著影响深度学习模型根据微细的表型细节对C. elegans菌株进行分类的能力.
- 这种方法增强了功能遗传学和行为研究中自动化表型的潜力.
