論文の概要: Morphological Profiling for Drug Discovery in the Era of Deep Learning
- arxiv url: http://arxiv.org/abs/2312.07899v2
- Date: Mon, 15 Jan 2024 21:22:46 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 21:18:18.085493
- Title: Morphological Profiling for Drug Discovery in the Era of Deep Learning
- Title(参考訳): 深層学習時代における薬物発見の形態的プロファイリング
- Authors: Qiaosi Tang, Ranjala Ratnayake, Gustavo Seabra, Zhe Jiang, Ruogu Fang,
Lina Cui, Yousong Ding, Tamer Kahveci, Jiang Bian, Chenglong Li, Hendrik
Luesch, Yanjun Li
- Abstract要約: 形態素プロファイリングの分野における最近の進歩を概観する。
このパイプラインでは、ディープラーニングの適用に特に重点を置いています。
- 参考スコア(独自算出の注目度): 13.307277432389496
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Morphological profiling is a valuable tool in phenotypic drug discovery. The
advent of high-throughput automated imaging has enabled the capturing of a wide
range of morphological features of cells or organisms in response to
perturbations at the single-cell resolution. Concurrently, significant advances
in machine learning and deep learning, especially in computer vision, have led
to substantial improvements in analyzing large-scale high-content images at
high-throughput. These efforts have facilitated understanding of compound
mechanism-of-action (MOA), drug repurposing, characterization of cell
morphodynamics under perturbation, and ultimately contributing to the
development of novel therapeutics. In this review, we provide a comprehensive
overview of the recent advances in the field of morphological profiling. We
summarize the image profiling analysis workflow, survey a broad spectrum of
analysis strategies encompassing feature engineering- and deep learning-based
approaches, and introduce publicly available benchmark datasets. We place a
particular emphasis on the application of deep learning in this pipeline,
covering cell segmentation, image representation learning, and multimodal
learning. Additionally, we illuminate the application of morphological
profiling in phenotypic drug discovery and highlight potential challenges and
opportunities in this field.
- Abstract(参考訳): 形態学的プロファイリングは表現型薬物の発見に有用である。
高出力自動イメージングの出現により、単細胞解像度での摂動に応答して、細胞や生物の幅広い形態的特徴を捉えられるようになった。
同時に、特にコンピュータビジョンにおける機械学習とディープラーニングの大幅な進歩により、大規模な高コンテント画像の高速スループット解析が大幅に改善されている。
これらの取り組みは、複合作用機構(MOA)の理解、薬物の精製、摂動下での細胞形態動態の解明、そして最終的には新しい治療法の開発に寄与している。
本稿では, 形態素プロファイリングの分野における最近の進歩について概観する。
画像プロファイリング分析ワークフローを要約し、特徴工学とディープラーニングに基づくアプローチを含む幅広い分析戦略を調査し、公開可能なベンチマークデータセットを導入する。
我々は,このパイプラインにおける深層学習の適用に特に重点を置いており,細胞セグメンテーション,画像表現学習,マルチモーダル学習を網羅している。
さらに, 表現型薬物発見における形態学的プロファイリングの適用を照らし, この分野の潜在的な課題と機会を強調した。
関連論文リスト
- Multiplex Imaging Analysis in Pathology: a Comprehensive Review on Analytical Approaches and Digital Toolkits [0.7968706282619793]
マルチ多重イメージングは、複数のバイオマーカーを1つのセクションで同時に視覚化することを可能にする。
多重画像からのデータは、前処理、セグメンテーション、特徴抽出、空間解析のための洗練された計算方法を必要とする。
PathMLは、画像分析を効率化するAIベースのプラットフォームで、臨床および研究環境では複雑な解釈がアクセス可能である。
論文 参考訳(メタデータ) (2024-11-01T18:02:41Z) - Deep learning assisted high resolution microscopy image processing for phase segmentation in functional composite materials [8.01747783558987]
本研究は、トレーニングされたU-Netセグメンテーションモデルを用いて、生高分解能電子顕微鏡(TEM)画像から成分と位相セグメンテーションを検出する新しいワークフローを提案する。
開発したモデルでは、成分の検出と位相セグメンテーションの迅速化が可能であり、広範囲なTEM画像の精査に伴う時間的・認知的要求を低減できる。
論文 参考訳(メタデータ) (2024-10-02T18:22:04Z) - Neural Echos: Depthwise Convolutional Filters Replicate Biological
Receptive Fields [56.69755544814834]
哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。
生体受容の分野からインスピレーションを得る手法を提案する。
論文 参考訳(メタデータ) (2024-01-18T18:06:22Z) - Spatially Resolved Gene Expression Prediction from H&E Histology Images
via Bi-modal Contrastive Learning [4.067498002241427]
BLEEP(Bi-modaL Embedding for Expression Prediction)は、空間的に解決された遺伝子発現プロファイルを生成することができるバイモーダル埋め込みフレームワークである。
BLEEPはコントラスト学習を用いて、顕微鏡解像度でペア画像と表現プロファイルを用いて参照データセットから低次元の関節埋め込み空間を構築する。
10x Visiumプラットフォームを用いて取得したヒト肝組織データセットを用いて,BLEEPによる遺伝子発現予測の有効性を示す。
論文 参考訳(メタデータ) (2023-06-02T18:27:26Z) - Kartezio: Evolutionary Design of Explainable Pipelines for Biomedical
Image Analysis [0.0]
本稿では,透過的で容易に解釈可能な画像処理パイプラインを生成する計算戦略であるKartezioを紹介する。
それによって生成されたパイプラインは、インスタンスセグメンテーションタスクにおける最先端のDeep Learningアプローチに匹敵する精度を示す。
また、実世界の4つのユースケースにおけるセマンティックスとインスタンスセグメンテーションの問題を解決するためにKartezioをデプロイしました。
論文 参考訳(メタデータ) (2023-02-28T17:02:35Z) - Semantic Image Segmentation with Deep Learning for Vine Leaf Phenotyping [59.0626764544669]
本研究では,ブドウの葉のイメージを意味的にセグメント化するためにDeep Learning法を用いて,葉の表現型自動検出システムを開発した。
私たちの研究は、成長や開発のような動的な特性を捉え定量化できる植物ライフサイクルのモニタリングに寄与します。
論文 参考訳(メタデータ) (2022-10-24T14:37:09Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳(メタデータ) (2022-05-24T00:00:07Z) - Deep Unrolled Recovery in Sparse Biological Imaging [62.997667081978825]
ディープ・アルゴリズム・アンローリング(Deep Algorithm Unrolling)は、反復的アルゴリズムの解釈可能性と教師付きディープラーニングの性能向上を組み合わせたディープ・アーキテクチャを開発するためのモデルベースのアプローチである。
この枠組みは生体イメージングの応用に適しており、測定プロセスを記述する物理モデルが存在し、回復すべき情報がしばしば高度に構造化されている。
論文 参考訳(メタデータ) (2021-09-28T20:22:44Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳(メタデータ) (2021-05-18T10:15:17Z) - 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)
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。