論文の概要: Color Flow Imaging Microscopy Improves Identification of Stress Sources of Protein Aggregates in Biopharmaceuticals

• arxiv url: http://arxiv.org/abs/2501.15492v1
• Date: Sun, 26 Jan 2025 11:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:59:09.407526
• Title: Color Flow Imaging Microscopy Improves Identification of Stress Sources of Protein Aggregates in Biopharmaceuticals
• Title（参考訳）: カラーフローイメージング顕微鏡によるバイオ医薬品中のタンパク質凝集物の応力源の同定
• Authors: Michaela Cohrs, Shiwoo Koak, Yejin Lee, Yu Jin Sung, Wesley De Neve, Hristo L. Svilenov, Utku Ozbulak,
• Abstract要約: フローイメージング顕微鏡は、可視粒子(SvPs)の検出において重要な進歩である。 本研究では,SvPsにおける応力源のキャラクタリゼーションを高めるために,色FIMの可能性を検討する。
• 参考スコア（独自算出の注目度）: 1.6394972759654889
• License:
• Abstract: Protein-based therapeutics play a pivotal role in modern medicine targeting various diseases. Despite their therapeutic importance, these products can aggregate and form subvisible particles (SvPs), which can compromise their efficacy and trigger immunological responses, emphasizing the critical need for robust monitoring techniques. Flow Imaging Microscopy (FIM) has been a significant advancement in detecting SvPs, evolving from monochrome to more recently incorporating color imaging. Complementing SvP images obtained via FIM, deep learning techniques have recently been employed successfully for stress source identification of monochrome SvPs. In this study, we explore the potential of color FIM to enhance the characterization of stress sources in SvPs. To achieve this, we curate a new dataset comprising 16,000 SvPs from eight commercial monoclonal antibodies subjected to heat and mechanical stress. Using both supervised and self-supervised convolutional neural networks, as well as vision transformers in large-scale experiments, we demonstrate that deep learning with color FIM images consistently outperforms monochrome images, thus highlighting the potential of color FIM in stress source classification compared to its monochrome counterparts.
• Abstract（参考訳）: タンパク質ベースの治療は、様々な疾患を標的とした現代医学において重要な役割を担っている。 治療の重要性にもかかわらず、これらの製品は可視性粒子(SvPs)を凝集して形成することができ、その効果を損なうことができ、免疫学的反応を誘発し、堅牢なモニタリング技術の必要性を強調している。 フローイメージング顕微鏡(FIM)はSvPの検出において重要な進歩であり、モノクロームからより最近のカラーイメージングへと進化している。 FIMを用いて得られたSvP画像を補完する深層学習技術が最近,モノクロSvPの応力源同定に成功している。 本研究では,SvPsにおける応力源のキャラクタリゼーションを高めるために,色FIMの可能性を検討する。 そこで本研究では, 熱および機械的ストレスを受ける8種類のモノクローナル抗体から16,000個のSvPからなる新しいデータセットをキュレートした。 大規模実験では、教師付きおよび自己教師型畳み込みニューラルネットワークと視覚変換器の両方を用いて、色FIM画像による深層学習がモノクローム画像より一貫して優れており、ストレス源分類における色FIMの可能性がモノクローム画像と比較して強調されている。

関連論文リスト

• Virtual Staining of Label-Free Tissue in Imaging Mass Spectrometry [2.6165589247047465]
  空間分解能を高め, 質量分析画像に細胞形態学的コントラストを導入する仮想組織染色法を提案する。 ヒト腎臓組織に対するブラインド試験では、ラベルのないサンプルの実質的に染色された画像は、その組織化学的に染色されたものと密に一致していることが示された。
  論文  参考訳（メタデータ） (2024-11-20T08:30:11Z)
• 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)
• Single color digital H&E staining with In-and-Out Net [0.8271394038014485]
  本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。 我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
  論文  参考訳（メタデータ） (2024-05-22T01:17:27Z)
• Deep learning-based instance segmentation for the precise automated quantification of digital breast cancer immunohistochemistry images [1.8434042562191815]
  深層学習に基づくインスタンスセグメンテーションアーキテクチャを用いて,IHCスライスに適用した核バイオマーカーと膜バイオマーカーの自動定量化の実現可能性を示した。 HE, ER, Ki-67 (核バイオマーカー) およびHER2 (膜バイオマーカー) IHC-stained image を用いてアノテーションを収集した。 我々は、2つのモデル(いわゆる核・膜認識セグメンテーションモデル)を訓練した。
  論文  参考訳（メタデータ） (2023-11-22T22:23:47Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• 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)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• 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)
• Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation [3.535158633337794]
  本稿では,GAN(Generative Adversarial Network)に基づく顕微鏡的拡張手法を提案する。 他のスタイルの転送方法とは異なり、異なる細胞アッセイタイプや照明条件だけでなく、異なる画像モダリティも扱える。 我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。
  論文  参考訳（メタデータ） (2021-11-23T20:19:20Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。