多组学预测深度学习高内容细胞成像
该研究使用基因特定模型和卷积神经网络从组织形态结构预测肿瘤基因表达及其空间分布,并验证了该方法在乳腺癌中的可行性,为描述肿瘤内异质性提供了可扩展性的方法。
Sep, 2020
通过应用多实例学习算法和不同的特征提取方法,该研究对乳腺癌的初级肿瘤进行多重描述,以测量肿瘤和免疫表型,为开发计算病理学标志物提供了潜力。
Apr, 2024
最近单细胞组学技术取得了突破性的发展,使得能够以前所未有的分辨率对个体细胞中的分子特征进行量化。深度学习作为机器学习中一个迅速发展的子领域,由于其在分析异质高维单细胞组学数据方面的显着成功而引起了人们的极大兴趣。然而,深度学习模型固有的多层非线性结构通常使其成为一个 “黑箱”,因为预测背后的推理往往是未知的,用户无法了解到其透明性。这促使了越来越多的研究工作来解决深度学习模型中缺乏可解释性的问题,特别是在单细胞组学数据分析中,分子调控因子的识别和理解对于解释模型预测并引导下游实验验证是至关重要的。本文介绍了单细胞组学技术的基础知识和可解释深度学习的概念,随后回顾了近期应用于各种单细胞组学研究的可解释深度学习模型。最后,我们强调了当前的限制因素并讨论了未来可能的发展方向。我们期望本综述将汇集单细胞和机器学习研究社区,促进可解释深度学习在单细胞组学研究中的未来发展和应用。
Jan, 2024
利用数字组织病理学图像和深度学习,通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果,包括腺激素受体阳性的乳腺癌亚型,并能为患者的术后治疗提供良好预测。
Apr, 2023
利用多模式单细胞技术,通过整合不同数据类型并建模模态之间的相互关系,为疾病生物标志物检测和药物发现提供了改进,实验结果表明机器学习技术对于建模细胞发展中 DNA 到 RNA 及蛋白质之间的协变性具有显著效果,有望推动对细胞分化和功能的理解并发挥机器学习的潜能。
Nov, 2023
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
通过去除细胞注释中的 50% ,学习性的分割模型表现的结果只比完整的标签相应的模型降低了 DSC 指标,表明可以至少减少一半的注释时间而不影响性能,并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微,并且通过多次增加最差性能模型的训练可以提高其性能。
Feb, 2024
我们开发了一个透明的计算机大规模成像框架,可以区分正常和转移的人类细胞。该方法依赖于荧光显微镜图像,显示正常和转移的单个细胞中肌动蛋白和微丝蛋白丝的空间组织,并结合多重关注通道网络和全局可解释技术。通过深度学习网络和新的多重关注通道架构,我们对网络的可解释性进行了增强,并开发了一种可解释的全局可解释方法,将细胞图像的加权几何平均值与局部 GradCam 分数进行相关联。通过我们的分析结果,我们首次能够更详细、更具生物学意义地理解由正常细胞转变为侵袭和转移细胞伴随的细胞骨架变化。我们还为未来诊断工具开发铺平了一条可能的空间微米级生物标志物的道路(微丝蛋白的空间分布)。
Sep, 2023
通过多视图图对比学习和 HSIC 约束正规化方法构建的空间转录组学 (ST) 框架 (ST-GCHB),以学习共享表示来考虑空间依赖性,从而根据查询的图像点来估计相应的基因表达量。
Jun, 2024
通过开发一种新的机器学习框架,MIML,将无标记细胞图像与生物力学属性数据结合起来,从而利用每个细胞内在的丰富形态信息,解决无标签细胞分类的特异性和速度问题,该方法在细胞分类上达到 98.3% 的准确率,可广泛应用于疾病诊断和细胞行为的理解。
Sep, 2023