論文の概要: Microplankton life histories revealed by holographic microscopy and deep learning

• arxiv url: http://arxiv.org/abs/2202.09046v1
• Date: Fri, 18 Feb 2022 07:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-21 14:53:23.833594
• Title: Microplankton life histories revealed by holographic microscopy and deep learning
• Title（参考訳）: ホログラフィック顕微鏡と深層学習によるマイクロプランクトン生命史の解明
• Authors: Harshith Bachimanchi and Benjamin Midtvedt and Daniel Midtvedt and Erik Selander and Giovanni Volpe
• Abstract要約: 我々は,マイクロプランクトンを生涯にわたって追跡し,その三次元的位置と乾燥質量を連続的に測定できることを示した。 これにより、ドライ質量増加と細胞分裂の両面から成長速度を確実に推定することができ、また種間の栄養的相互作用を測定することができる。 マイクロ動物プランクトン給餌イベントの詳細な説明、細胞分裂、および単一細胞の分裂から分裂までの長期モニタリングによってこれを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The marine microbial food web plays a central role in the global carbon cycle. Our mechanistic understanding of the ocean, however, is biased towards its larger constituents, while rates and biomass fluxes in the microbial food web are mainly inferred from indirect measurements and ensemble averages. Yet, resolution at the level of the individual microplankton is required to advance our understanding of the oceanic food web. Here, we demonstrate that, by combining holographic microscopy with deep learning, we can follow microplanktons throughout their lifespan, continuously measuring their three dimensional position and dry mass. The deep learning algorithms circumvent the computationally intensive processing of holographic data and allow rapid measurements over extended time periods. This permits us to reliably estimate growth rates, both in terms of dry mass increase and cell divisions, as well as to measure trophic interactions between species such as predation events. The individual resolution provides information about selectivity, individual feeding rates and handling times for individual microplanktons. This method is particularly useful to explore the flux of carbon through micro-zooplankton, the most important and least known group of primary consumers in the global oceans. We exemplify this by detailed descriptions of micro-zooplankton feeding events, cell divisions, and long term monitoring of single cells from division to division.
• Abstract（参考訳）: 海洋微生物の食物網は、地球規模の炭素循環において中心的な役割を果たす。 しかし、我々の海の機械的理解は、そのより大きな構成成分に偏り、一方、微生物食物網の速度とバイオマスフラックスは、主に間接測定とアンサンブル平均から推定される。 しかし、海洋食物網の理解を深めるためには、個々のマイクロプランクトンのレベルでの解決が必要である。 ここではホログラフィック顕微鏡と深層学習を組み合わせることで、生涯を通してマイクロプランクトンを追跡でき、3次元の位置と乾燥質量を連続的に測定できることを示した。 深層学習アルゴリズムはホログラフィックデータの計算集約的な処理を回避し、長期間にわたる迅速な測定を可能にする。 これにより、乾燥質量増加と細胞分裂の両方の観点から確実に成長速度を推定し、捕食イベントのような種間の対流相互作用を測定することができる。 個々の解像度は、選択性、個々の給餌率、個々のマイクロプランクトンの処理時間に関する情報を提供する。 この方法は特に、地球規模でもっとも重要かつ最も知られていない主要な消費者集団である微小動物プランクトンを通して炭素のフラックスを探索するのに有用である。 マイクロ動物プランクトン給餌イベントの詳細な説明、細胞分裂、および単一細胞の分裂から分裂までの長期モニタリングによってこれを実証する。

関連論文リスト

• Learning to Predict Mutation Effects of Protein-Protein Interactions by Microenvironment-aware Hierarchical Prompt Learning [78.38442423223832]
  我々は、新しいコードブック事前学習タスク、すなわちマスク付きマイクロ環境モデリングを開発する。 突然変異効果予測において、最先端の事前学習法よりも優れた性能と訓練効率を示す。
  論文  参考訳（メタデータ） (2024-05-16T03:53:21Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Machine Learning Reveals Large-scale Impact of Posidonia Oceanica on Mediterranean Sea Water [0.0818489539741914]
  ポシドニア海洋は地中海の保護区であり、生物多様性を育み、炭素を貯蔵し、酸素を放出し、多くの海洋生物に生息地を提供する。 この研究は、植物が環境に世界的影響を及ぼし、この植物が海洋生態系において重要な役割を担っていることを示す証拠を提供する。
  論文  参考訳（メタデータ） (2024-02-22T11:35:52Z)
• Autonomous Detection of Methane Emissions in Multispectral Satellite Data Using Deep Learning [73.01013149014865]
  メタンは最も強力な温室効果ガスの1つである。 現在のメタン放出モニタリング技術は、近似的な放出要因や自己報告に依存している。 深層学習法は、Sentinel-2衛星マルチスペクトルデータにおけるメタン漏れの自動検出に利用することができる。
  論文  参考訳（メタデータ） (2023-08-21T19:36:50Z)
• Towards Generating Large Synthetic Phytoplankton Datasets for Efficient Monitoring of Harmful Algal Blooms [77.25251419910205]
  有害な藻類(HAB)は養殖農場で重大な魚死を引き起こす。 現在、有害藻や他の植物プランクトンを列挙する標準的な方法は、顕微鏡でそれらを手動で観察し数えることである。 合成画像の生成にはGAN(Generative Adversarial Networks)を用いる。
  論文  参考訳（メタデータ） (2022-08-03T20:15:55Z)
• A Comprehensive Survey with Quantitative Comparison of Image Analysis Methods for Microorganism Biovolume Measurements [26.935836204724257]
  微生物は工業生産、バイオテクノロジー、食品安全試験においてますます重要な役割を担っている。 従来の手動測定手法は時間を要するものであり、その特性を正確に測定することは困難である。 デジタル画像処理技術の発展により、微生物集団の特性を検出し定量化することができる。
  論文  参考訳（メタデータ） (2022-02-18T04:58:04Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Modeling Cell Populations Measured By Flow Cytometry With Covariates Using Sparse Mixture of Regressions [2.5463557459240955]
  海は植物プランクトンと呼ばれる微細藻で満たされており、陸地にあるすべての植物と同じ量の光合成を担っている。 我々の温暖化に対する反応を予測する能力は、植物プランクトン個体群の動態が環境条件の変化にどのように影響するかを理解することに依存している。 現在、海洋学者は移動船上でリアルタイムにフローデータを収集することができ、数千kmにわたって植物プランクトンの分布を詳細に把握することができる。
  論文  参考訳（メタデータ） (2020-08-25T20:03:24Z)
• GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis [0.2752817022620644]
  時間進化グラフの埋め込みを学習する手法を提案する。 提案手法は,生成した合成データと実世界のデータの両方において,時間進化グラフの一時的な変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-08-12T10:57:02Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)
• Towards detection and classification of microscopic foraminifera using transfer learning [0.0]
  ミクロ化石の分類と数え方は海洋学と気候学において重要なツールである。 微視的フォアミニフェラの検出と分類が可能な深層学習モデルの開発に向けた第一歩が提案されている。 バレンツ海地域の微視的フォアミニフェラと堆積物からなる新しい画像データセットが導入された。
  論文  参考訳（メタデータ） (2020-01-14T13:57:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。