May, 2023

人类 iPSC 重编程成功的早期预测

PDF
TL;DR使用超高分辨率显微镜连续定时成像人体诱导多能干细胞，再通过半自动跟踪系统使早期细胞标记后使用深度神经网络自动进行细胞分割和分类，为细胞治疗提供潜在来源的早期预测方法。
induced pluripotent stem cellsreprogrammingcell therapiesearly-stage predictiondeep neural networks
发现论文，激发创造
  • 基于转移学习的功能转录网络的细胞重编程设计

    利用转录组数据进行预训练的转移学习方法，通过基因扰动的转录响应，最小化给定初始和目标转录状态之间的差异，成功重现已知的重编程协议并创新性地设计适用于特定重编程转变的可调整模型，研究揭示了基因调控网络对表型的管理方式。

    Mar, 2024

  • 基于轨迹和细胞命运信息的细胞身份预测

    利用机器学习方法，我们提出了一种创新的方法来在早期 C. elegans 胚胎发育期间对细胞进行识别，通过利用细胞轨迹和细胞命运等少量时间空间特征，我们的模型能够在有限数据下实现 90% 以上的准确率，并能解释最重要的特征对生物知识的意义。

    Jan, 2024

  • 多组学预测深度学习高内容细胞成像

    使用 Image2Omics 深度学习方法，预测细胞群体内来自高含量显微图像的多重荧光染色数据；结果表明，细胞成像可能是多重组学测量的可替代方法。

    Jun, 2023

  • 通过控制细胞内网络动态来实现细胞命运重编程

    本文利用逻辑动态方案，开发了一种新颖的网络控制框架，用于结构和功能信息的整合，以预测生物网络中的控制目标，为癌症治疗和细胞分化寻找介入靶点。

    Aug, 2014

  • 使用机器学习图像分割进行三维组织培养的无损定量生存力分析

    提出了一种用于 3D 培养的细胞存活性的图像处理算法，具有消除基于试剂的指标的需求，通过使用高内容成像系统，能够在个体瘤球和整体培养基水平上成功跟踪细胞存活性，分析时间较专家减少了 97％。这种方法不受显微镜或成像系统的限制，为推动生物和临床研究中 3D 培养分析的进展提供了基础，同时提高了分析的鲁棒性和可复现性。

    Nov, 2023

  • 在单分子分辨率的空间转录组学中使用空间点过程预测未来状态

    利用基于随机森林回归的流程，本研究预测果蝇胚胎发育过程中 Sog-D 基因表达的细胞未来分布，以揭示细胞和有机体在超分辨全胚空间转录组成像中如何控制基因表达；通过结合细胞在胚胎发育的每个阶段的状态和 Ripley's K-function，我们得到了平均活跃细胞分布的预测准确性，该工具类似于空间分辨的发育生物学 RNA 速度，通过一个数据点可以利用空间点过程的特征预测未来的空间基因表达。

    Jan, 2024

  • 基于深度学习的患者来源的器官样体视频的时空分析用于药效预测

    本研究首次探讨使用强大的大型基础模型来自动处理 Patient-Derived Organoids（PDO）数据，提出了一种基于显微摄影定时视频的新型成像高通量筛查方法，通过融合时间和空间特征以预测 Adenosine Triphosphate（ATP）浓度，在实时预测和预测中取得更好的结果。

    Aug, 2023

  • AI 与病理学：引导治疗和预测结果

    本文介绍了数据分析方法、计算能力和传感器的结合，可实现定量细胞层面上的多尺度分析，着重论述了针对人类组织分析的一类 AI 方法 —— 组织病理学，旨在定量表征疾病状态、患者预后预测和治疗指导的应用挑战。

    Jun, 2022

  • 单细胞基因组学中的增强基因筛选：预过滤协同与强化优化

    近期单细胞基因组学的新进展要求在基因面板选择上精确以有效解读复杂的生物学数据。我们提出了一种迭代的基因面板选择策略，该策略能够整合其他基因选择算法的结果，并引入强化学习中的探索过程，以提高我们的框架的效率并动态地精细调整和定位基因面板选择。

    Jun, 2024

  • 增量预测编码：并行和全自动学习算法

    本研究提出了一种名为增量预测编码（iPC）的方法，通过并行执行每个操作来解决传统预测编码方法的低效性限制，实验证明 iPC 在图像分类任务上具有与反向传播相媲美的性能，适用于计算神经科学和机器学习等领域，尤其适用于分布式计算和模拟神经元芯片上的深度学习模型的实现。

    Nov, 2022