論文の概要: Multi-omics Prediction from High-content Cellular Imaging with Deep
Learning
- arxiv url: http://arxiv.org/abs/2306.09391v2
- Date: Mon, 19 Jun 2023 02:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 00:34:21.435847
- Title: Multi-omics Prediction from High-content Cellular Imaging with Deep
Learning
- Title(参考訳): ディープラーニングを用いた高濃度セル画像からのマルチオミクス予測
- Authors: Rahil Mehrizi, Arash Mehrjou, Maryana Alegro, Yi Zhao, Benedetta
Carbone, Carl Fishwick, Johanna Vappiani, Jing Bi, Siobhan Sanford, Hakan
Keles, Marcus Bantscheff, Cuong Nguyen, and Patrick Schwab
- Abstract要約: Image2Omicsは、多重蛍光染料で染色された高濃度画像から直接、細胞集団のマルチオミクスを予測するディープラーニングアプローチである。
画像2Omics は, 細胞画像から直接, 転写学や計測を予測できる性能が, 予測値よりも優れていることを示す。
- 参考スコア(独自算出の注目度): 17.046738950673216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-content cellular imaging, transcriptomics, and proteomics data provide
rich and complementary views on the molecular layers of biology that influence
cellular states and function. However, the biological determinants through
which changes in multi-omics measurements influence cellular morphology have
not yet been systematically explored, and the degree to which cell imaging
could potentially enable the prediction of multi-omics directly from cell
imaging data is therefore currently unclear. Here, we address the question of
whether it is possible to predict bulk multi-omics measurements directly from
cell images using Image2Omics -- a deep learning approach that predicts
multi-omics in a cell population directly from high-content images stained with
multiplexed fluorescent dyes. We perform an experimental evaluation in
gene-edited macrophages derived from human induced pluripotent stem cell
(hiPSC) under multiple stimulation conditions and demonstrate that Image2Omics
achieves significantly better performance in predicting transcriptomics and
proteomics measurements directly from cell images than predictors based on the
mean observed training set abundance. We observed significant predictability of
abundances for 5903 (22.43%; 95% CI: 8.77%, 38.88%) and 5819 (22.11%; 95% CI:
10.40%, 38.08%) transcripts out of 26137 in M1 and M2-stimulated macrophages
respectively and for 1933 (38.77%; 95% CI: 36.94%, 39.85%) and 2055 (41.22%;
95% CI: 39.31%, 42.42%) proteins out of 4986 in M1 and M2-stimulated
macrophages respectively. Our results show that some transcript and protein
abundances are predictable from cell imaging and that cell imaging may
potentially, in some settings and depending on the mechanisms of interest and
desired performance threshold, even be a scalable and resource-efficient
substitute for multi-omics measurements.
- Abstract(参考訳): 高濃度の細胞イメージング、転写学、およびプロテオミクスのデータは、細胞の状態や機能に影響を与える生物学の分子層についてリッチで相補的な見解を提供する。
しかし、マルチオミクス測定の変化が細胞形態に影響を与える生物学的決定因子はまだ体系的に研究されておらず、細胞イメージングが細胞イメージングデータから直接マルチオミクスを予測できる可能性の程度は今のところ不明である。
ここでは, 蛍光色素で染色した高濃度画像から直接, 細胞集団のマルチオミクスを予測するディープラーニングアプローチであるImage2Omicsを用いて, 細胞画像から直接, バルクマルチオミクス測定を予測できるかどうかを問う。
ヒト誘導多能性幹細胞(hipsc)由来の遺伝子編集マクロファージを複数の刺激条件下で実験的に評価し,image2omicsが細胞画像から直接転写学およびプロテオミクス測定値を予測する際に,平均観測トレーニングセット存在量に基づく予測者よりも有意に優れた性能が得られることを実証した。
5903 (22.43%, 95% ci: 8.77%, 38.88%), 5819 (22.11%), 95% ci: 10.40%, 38.08%), 95% ci: 38.08%, それぞれ26137 in m1およびm2刺激マクロファージ, 1933 (38.77%), 95% ci: 36.94%, 39.85%, 2055 (41.22%), 95% ci: 39.31%, 42.42%) タンパク質はそれぞれm1およびm2刺激マクロファージ4986のうち4986タンパク質である。
以上の結果から, 細胞画像から転写産物やタンパク質の存在が予測可能であること, 細胞画像は, 興味の機構や期待される性能閾値によっては, マルチオミクス測定のスケーラブルで資源効率のよい代替品である可能性が示唆された。
関連論文リスト
- IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。
我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
論文 参考訳(メタデータ) (2024-11-13T19:33:08Z) - Semi-supervised variational autoencoder for cell feature extraction in multiplexed immunofluorescence images [40.234346302444536]
本稿では,教師付き変分オートエンコーダを用いた深層学習に基づくセル特徴抽出モデルを提案する。
乳がん患者の1,093個の組織マイクロアレイコアから抽出した44,000個以上の多重蛍光細胞像のコホートを用いて細胞表現型分類を行う。
論文 参考訳(メタデータ) (2024-06-22T04:32:50Z) - Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。
ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。
対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
論文 参考訳(メタデータ) (2024-04-12T15:45:26Z) - Nondestructive, quantitative viability analysis of 3D tissue cultures
using machine learning image segmentation [0.0]
本稿では,3次元培養における細胞生存率の定量化のための画像処理アルゴリズムについて述べる。
提案アルゴリズムは,1対の人的専門家に対して,数日にわたる全体像と培養マトリクスの合成において,同様の性能を示すことを示す。
論文 参考訳(メタデータ) (2023-11-15T20:28:31Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Automatically Predict Material Properties with Microscopic Image Example
Polymer Compatibility [94.40113383292139]
機械学習を用いたコンピュータ画像認識は、人工判定の欠陥を補うことができる。
畳み込みニューラルネットワークとトランスファーラーニング手法を用いて、自動誤認認識を実現する。
提案手法は, 各種材料の微細構造と物性の定量的評価に広く応用できる。
論文 参考訳(メタデータ) (2023-03-22T07:51:32Z) - Corneal endothelium assessment in specular microscopy images with Fuchs'
dystrophy via deep regression of signed distance maps [48.498376125522114]
本稿では,UNetをベースとしたセグメンテーション手法を提案する。
これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
論文 参考訳(メタデータ) (2022-10-13T15:34:20Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Witnessing the survival of time-energy entanglement through biological
tissue and scattering media [47.187609203210705]
生体媒体と組織による近赤外光子の時間的絡み合いの保存を実証した。
フランソン型干渉計を用いて, スキムミルク, 2%乳, ニワトリ組織において0.9以上のインターフェロメトリコントラストを示した。
論文 参考訳(メタデータ) (2021-02-25T15:00:58Z) - Cell abundance aware deep learning for cell detection on highly
imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。
モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。
その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文 参考訳(メタデータ) (2021-02-23T13:07:52Z)
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。