論文の概要: Multi-omics Prediction from High-content Cellular Imaging with Deep Learning

• arxiv url: http://arxiv.org/abs/2306.09391v3
• Date: Tue, 21 May 2024 10:43:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-22 19:30:20.950794
• 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, Patrick Schwab,
• Abstract要約: Image2Omicsは、複数の蛍光染料で染色された細胞の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。 我々は,セル画像から転写学や測定を直接予測する上で,平均的なトレーニングセット量に基づく予測よりも,画像2Omicsの方がはるかに優れた性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 16.334824637441677
• 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 of cells stained with multiplexed fluorescent dyes. We perform an experimental evaluation in gene-edited macrophages derived from human induced pluripotent stem cells (hiPSC) under multiple stimulation conditions and demonstrate that Image2Omics achieves significantly better performance in predicting transcriptomics and proteomics measurements directly from cell images than predictions based on the mean observed training set abundance. We observed significant predictability of abundances for 4927 (18.72%; 95% CI: 6.52%, 35.52%) and 3521 (13.38%; 95% CI: 4.10%, 32.21%) transcripts out of 26137 in M1 and M2-stimulated macrophages respectively and for 422 (8.46%; 95% CI: 0.58%, 25.83%) and 697 (13.98%; 95% CI: 2.41%, 32.83%) 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。 本稿では,多色蛍光色素で染色された細胞の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深層学習手法である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。 我々は、複数の刺激条件下で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実験的に評価し、Image2Omicsは、観察された平均的なトレーニングセット量に基づいて、細胞画像から直接の転写学的およびプロテオミクス測定を予測する上で、はるかに優れた性能を発揮することを示した。 4927 (18.72%; 95% CI: 6.52%, 35.52%) と3521 (13.38%; 95% CI: 4.10%, 32.21%) と422 (8.46%; 95% CI: 0.58%, 25.83%) と697 (13.98%; 95% CI: 2.41%, 32.83%) はそれぞれ4986 (M1) とM2刺激マクロファージ (M2刺激マクロファージ) のそれぞれ。 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

• CellFlow: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
  本稿では,化学および遺伝的摂動によって誘導される細胞形態変化をシミュレートする画像生成モデルであるCellFlowを紹介する。 CellFlowは、摂動特異的な形態変化を忠実に捉える生物学的に意味のある細胞画像を生成する。
  論文  参考訳（メタデータ） (2025-02-13T21:10:00Z)
• Embryo 2.0: Merging Synthetic and Real Data for Advanced AI Predictions [69.07284335967019]
  2つのデータセットを使用して、2つの生成モデルをトレーニングします。 2-cell, 4-cell, 8-cell, morula, blastocyst など, 様々な細胞で合成胚画像を生成する。 これらは実画像と組み合わせて、胚細胞ステージ予測のための分類モデルを訓練した。
  論文  参考訳（メタデータ） (2024-12-02T08:24:49Z)
• 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)
• 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。