論文の概要: acia-workflows: Automated Single-cell Imaging Analysis for Scalable and Deep Learning-based Live-cell Imaging Analysis Workflows

• arxiv url: http://arxiv.org/abs/2510.05886v2
• Date: Wed, 08 Oct 2025 07:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 12:02:36.816269
• Title: acia-workflows: Automated Single-cell Imaging Analysis for Scalable and Deep Learning-based Live-cell Imaging Analysis Workflows
• Title（参考訳）: acia-workflows: スケーラブルおよびディープラーニングに基づくライブセルイメージング分析ワークフローのための単一セルイメージ解析自動化
• Authors: Johannes Seiffarth, Keitaro Kasahara, Michelle Bund, Benita Lückel, Richard D. Paul, Matthias Pesch, Lennart Witting, Michael Bott, Dietrich Kohlheyer, Katharina Nöh,
• Abstract要約: ライヴセルイメージング(LCI)技術は、単一細胞レベルでの生きた細胞の詳細なキャラクタリゼーションを可能にする。 数十から数百の並列細胞培養による高時間セットアップは、堅牢で再現可能な洞察の可能性を秘めている。 近年,セルセグメンテーションとトラッキングのためのディープラーニング手法の進歩により,このような大規模データボリュームの自動解析が可能になった。
• 参考スコア（独自算出の注目度）: 0.786460153386845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Live-cell imaging (LCI) technology enables the detailed spatio-temporal characterization of living cells at the single-cell level, which is critical for advancing research in the life sciences, from biomedical applications to bioprocessing. High-throughput setups with tens to hundreds of parallel cell cultivations offer the potential for robust and reproducible insights. However, these insights are obscured by the large amount of LCI data recorded per experiment. Recent advances in state-of-the-art deep learning methods for cell segmentation and tracking now enable the automated analysis of such large data volumes, offering unprecedented opportunities to systematically study single-cell dynamics. The next key challenge lies in integrating these powerful tools into accessible, flexible, and user-friendly workflows that support routine application in biological research. In this work, we present acia-workflows, a platform that combines three key components: (1) the Automated live-Cell Imaging Analysis (acia) Python library, which supports the modular design of image analysis pipelines offering eight deep learning segmentation and tracking approaches; (2) workflows that assemble the image analysis pipeline, its software dependencies, documentation, and visualizations into a single Jupyter Notebook, leading to accessible, reproducible and scalable analysis workflows; and (3) a collection of application workflows showcasing the analysis and customization capabilities in real-world applications. Specifically, we present three workflows to investigate various types of microfluidic LCI experiments ranging from growth rate comparisons to precise, minute-resolution quantitative analyses of individual dynamic cells responses to changing oxygen conditions. Our collection of more than ten application workflows is open source and publicly available at https://github.com/JuBiotech/acia-workflows.
• Abstract（参考訳）: ライヴセルイメージング(LCI)技術は、生物医学的応用からバイオプロセッシングまで、生命科学の研究を進める上で重要な、単細胞レベルでの生体細胞の詳細な時空間的特徴付けを可能にする。 数十から数百の並列細胞培養による高スループットセットアップは、堅牢で再現可能な洞察の可能性を秘めている。 しかし、これらの知見は実験毎に記録された大量のLCIデータによって隠蔽される。 細胞分節と追跡のための最先端のディープラーニング手法の最近の進歩は、このような大規模なデータボリュームの自動解析を可能にし、単一のセルのダイナミクスを体系的に研究する前例のない機会を提供する。 次の重要な課題は、これらの強力なツールを、生物学的研究における定期的なアプリケーションをサポートする、アクセス可能で柔軟性があり、ユーザフレンドリなワークフローに統合することだ。 本研究では,(1)画像解析パイプラインのモジュール設計をサポートする自動ライブセル画像解析(acia)Pythonライブラリ,(2)画像解析パイプラインを組み立てるワークフロー,そのソフトウェア依存性,ドキュメンテーション,視覚化を単一のJupyter Notebook,(3)現実のアプリケーションにおける解析とカスタマイズ機能を示すアプリケーションワークフロー,の3つの主要なコンポーネントを組み合わせたプラットフォームであるacia-workflowを紹介する。 具体的には、成長速度の比較から、個々の動的細胞反応の精密で微細な定量分析から、酸素状態の変化まで、様々な種類のマイクロ流体LCI実験を行うためのワークフローを提示する。 10以上のアプリケーションワークフローのコレクションはオープンソースで、https://github.com/JuBiotech/acia-workflowsで公開されています。

関連論文リスト

• Introduction to a Low-Cost AI-Powered GUI for Unstained Cell Culture Analysis [3.5092739016434567]
  本稿では,標準CPUデスクトップを搭載した低予算研究室向けに設計された,新しい顕微鏡画像解析フレームワークを提案する。 Pythonベースのプログラムは、高度なコンピュータビジョンと機械学習パイプラインを通じて、カルチャー内の生きた、保存されていない細胞のサイトメトリー分析を可能にする。 CPUベースのプラットフォーム上での競争力のあるセグメンテーション速度は、基礎研究と臨床応用の大きな可能性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-09-14T17:12:17Z)
• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• PhagoStat a scalable and interpretable end to end framework for efficient quantification of cell phagocytosis in neurodegenerative disease studies [0.0]
  本稿では,食欲活動の定量化と分析を行うためのエンドツーエンド,スケーラブル,汎用的なリアルタイムフレームワークを提案する。 提案するパイプラインでは,大規模なデータセットを処理でき,データ品質検証モジュールも備えている。 我々はこのパイプラインをFTDの微小グリア細胞食細胞解析に応用し,統計的に信頼性の高い結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T18:10:35Z)
• Organelle-specific segmentation, spatial analysis, and visualization of volume electron microscopy datasets [1.5332481598232222]
  体積電子顕微鏡は、ナノメートルスケールでの細胞微細構造のその場調査のための方法である。 近年の技術進歩により、セグメント化と空間解析のための計算戦略を必要とする大規模な生画像データセットが急速に増加した。 本稿では,大容量電子顕微鏡データセットのオルガネラ特異的セグメンテーション,空間解析,可視化のための実用的でアノテーション効率のよいパイプラインについて述べる。
  論文  参考訳（メタデータ） (2023-03-07T13:23:31Z)
• Deep Learning in Single-Cell Analysis [34.08722045363822]
  単細胞技術は生物学全般に革命をもたらしている。 ディープラーニングは、従来の機械学習手法よりも優れたパフォーマンスを示すことが多い。 この調査は生物学者やコンピュータ科学者の参考となり、コラボレーションを奨励する。
  論文  参考訳（メタデータ） (2022-10-22T08:26:41Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• 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)
• A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
  現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。 本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2020-01-05T11:33:31Z)

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。