细胞生物学研究及临床问题探讨2022-12-13 09:06:20
利用人工智能技术可从大数据中获取高通量的特征,并利用此类信息进行决策。Bray等在2016年研究了一种“细胞绘画”的算法,基于6种荧光染色和5种成像通道,提取约1500种形态特征,并应用于许多生物学问题,包括识别与疾病相关的细胞表型特征、筛选药物的潜在应用等. “细胞绘画”的方法基于形态学分析, 比基于结构多样性或高通量基因表达多样性的筛选更为快速有效,且能在单细胞水平获得从而解决细胞亚群变化的能力, 能够捕获更为广泛的生物性能多样性。由于染色的多样性, 可在较好地消除细胞染色差异的同时也大大降低每个样品的成本。自“细胞绘画”方法出现以来,深度学习在细胞图像分类中的应用逐渐趋于广泛,可包括基础生物学研究及临床问题探讨.近年来,深度学习飞速发展,其主要优势为自动进行特征编码和解码, 可从大量数据中获得关键特征,这对于细胞的图像分析是新机遇。深度学习在细胞图像分类的应用主要基于形态学识别, 测量的特征主要包括细胞大小、位置、结构形状、染色强度、纹理模式等, 包括细胞之间的邻接关系, 从而描述表征细胞之间的异质性,研究对象包括干细胞、血细胞在内的多种细胞。Guan等基于深度学习而开发RandNet研究了人类胚胎干细胞的自动化分类及状态判断, 这是一种具有自动编码的特征提取器,可将hESC分类为六种不同类型,即细胞簇、细胞碎片、未附着的细胞、附着的细胞、动态泡状细胞及凋亡泡状细胞. 该方法准确率可达97％,且训练成本非常低,可以作为新数据注释的工具, 节省大量的体力劳动时间。深度学习通过细胞图像分类在血液病及癌症的临床鉴别中也发挥了不容小觑的作用。
出自《细胞生物信息学及技术》作者顾宁,王方旭,李艳。
上一篇： 细胞生物信息分析与处理
下一篇： 细胞生物信息学亟待深入研究的问题
