高多重复的成像数据的多视图深度学习改善了细胞状态与临床结果的关联

科学领域:

• 计算生物学 计算生物学
• 单细胞分析的方法
• 生物信息学是一种生物信息学.

背景情况:

• 目前对高度多重化的成像数据的分析通常依赖于简化的单细胞指标,如平均表达式.
• 从使用深度学习的成像数据中整合多个细胞视图 (形态,亚细胞模式,空间上下文) 是未经探索的.

研究的目的:

• 调查多模态变异自编码器 (mVAE) 从多种单细胞成像数据中学习集成隐性表示的能力.
• 评估这些综合表示是否与临床结果相关,并改善跨数据集的整合.

主要方法:

• 应用多模态变异自编码器对高度多重化的成像数据,整合细胞表达,形态,亚细胞蛋白共同定位和空间上下文.
• 技术和批量效应的条件模型.
• 进行了废除研究,以确定关键的贡献数据观点.

主要成果:

• 综合多模式潜伏空间与患者特定的临床结果的关联比基线方法更强.
• 废弃分析揭示了不同输入视图对模型性能的贡献.
• 证明模型能够学习与细胞表型一致的表征,并促进跨数据集集成的能力.

结论:

• 多模态变异自编码器有效地将多种单细胞成像数据集成到统一的潜在表示中.
• 这些综合表示具有预测临床结果和协调不同研究数据的巨大潜力.