Dec, 2023

深度学习时代的药物发现形态学特征分析

PDF
TL;DR形态学分析是表型药物发现中的一项有价值的工具。最近的发展使得高通量自动成像得以捕捉单细胞水平上细胞或生物体对干扰的广泛形态学特征。机器学习和深度学习在图像分析方面的显著进展有助于对大规模高内容图像进行高通量分析，从而推动了复合物的作用机制研究、药物重用、对细胞形态动力学的表征以及对新型治疗药物的发展。本综述全面概述最近形态学分析领域的进展，总结形态学分析流程、介绍多种基于特征工程和深度学习的分析策略，并引入公开可获取的基准数据集。我们特别强调深度学习在此流程中的应用，包括细胞分割、图像表征学习和多模态学习。此外，我们还阐述形态学分析在表型药物发现中的应用，并强调了该领域面临的挑战和机遇。
morphological profilingphenotypic drug discoveryhigh-throughput automated imagingmachine learningdeep learning
发现论文，激发创造
  • 癌细胞成像数据的时间和形态药物效应分析自监督学习

    本文提出两种新方法对影像数据进行时间和形态表型效应研究并将其验证于 2D 癌细胞培养物中以分析药物效果。通过使用 1 百万张带有多种增强技术和多个裁剪的图像数据进行卷积自编码器的训练，将其作为特征提取器并通过距离分析和 DTW 动态时间规整应用于 31 种药物的时间模式聚类。使用对抗 / 正则化设置改善 31 种药物的分类并可视化图像区域，提高了平均 8％的排名和发现了一些形态特征的重要性图。作者在文中提供了这一特征提取器和权重以促进生物学中的迁移学习应用，并讨论了其他预训练模型的实用性以及该方法对其他类型的生物医学数据的适用性。

    Mar, 2022

  • 分子形态对比预训练用于可转移分子表示

    本研究提出了 MoCoP 框架来学习分子图和细胞形态的多模态表示，并将其应用于 QSAR 模型以提高其性能。实验结果表明将细胞形态与分子图相融合能显著提高 QSAR 模型的性能。

    Apr, 2023

  • 从组织病理学图像预测分子表型：乳腺癌中一项转录组范围的表达形态分析

    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

  • 计算组织病理学的深度神经网络模型：一项调查

    本文对如何使用深度学习应对肿瘤组织病理图片的问题进行了综述和分析，从 130 多篇研究论文中选出机器学习策略、生存模型、现有数据集和研究中存在的挑战和限制等方面进行总结和梳理。

    Dec, 2019

  • 计算形态学的最新进展：综述

    该研究综述了发展计算形态学相关工具的方法，从传统方法到基于深度神经网络的新方法的历史文献进行了调查，讨论了神经模型与传统模型的有效性，并提出了构建计算形态学工具所面临的独特挑战，最后讨论了该领域中的一些最新研究问题。

    Jun, 2024

  • 比较不同人工智能范式、增强和裁剪策略学习的生物数据表示

    该研究提出了一个简单的卷积神经网络架构，并在相同条件下使用不同的数据增强和裁剪策略训练了 16 种不同的深度学习模型，以比较其在药物识别、控制组分类和细胞聚类这三个下游任务中所学到的特征提取的性能和效率，其结果表明，多切割和随机增强通常能提高性能，而自我监督模型的性能也非常高，是训练速度最快的模型之一，但需要最大的内存和计算资源。

    Mar, 2022

  • 对于患者表型，规则模型和深度学习模型的比较

    本文研究了深度学习技术在自然语言处理中是否可以有效用于患者表型特征提取和预测，并与传统 NLP 方法进行比较。结果表明，卷积神经网络是一种性能优良且易解释的深度学习方法，可以有效提高患者表型预测的性能，降低注释复杂度，并自动学习与每个患者表型相关的短语。

    Mar, 2017

  • Grad-CAMO: 从 3D 细胞油画图像中学习可解释的单细胞形态特征

    深度学习模型在基于图像的药物发现中被广泛用于从显微镜图像中提取单个细胞的特征向量。通过使用可视解释性技术（例如 Grad-CAM），我们发现了监督模型在提取形态特征时作弊的几种机制，即从图像中提取生物学无关的像素，如背景噪音。为了解决研究者期望和机器行为之间的错位，我们引入了 Grad-CAMO，一种用于监督特征提取器的新型单细胞可解释性评分。Grad-CAMO 衡量模型关注细胞本体与背景的比例，可对每个细胞或验证集进行评估，从而提供对个体特征向量的审计或指导深度学习架构的改进设计工具。重要的是，Grad-CAMO 可以无缝集成到现有的工作流程中，无需对数据集或模型进行修改，且与 2D 和 3D 细胞图像数据兼容。

    Mar, 2024

  • 4D 荧光显微镜图像中的多物体分割跟踪与深度特征图

    本文提出了一种基于 3D 分割结果的多目标跟踪方法，该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分，该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。

    Nov, 2019

  • 基于机器学习的二嵌段共聚物形态预测

    用机器学习方法加速计算大域上长时间尺度下的块聚合物形态演化。通过分离粗粒化颗粒演化的特征时间和介观尺度上的缓慢形态演化，利用粒子模拟直接学习随机驱动的缺陷消除过程。采用支持不同边界条件的 UNet 架构，允许任意形状的周期和固定基底边界条件。通过损失函数引入物理概念，数据增强引入对称性，有效性经三个不同的用例验证，可可视化时空演化，研究不同形态限制下的缺陷密度及其演化。在应用方面，展示了访问后期形态对理解单个块内粒子扩散的重要性。对于微电子、电池材料和膜的定向自组装和材料设计有重要意义。

    Aug, 2023