.png){kind=icon}
返回
A deep learning approach for time-consistent cell cycle phase prediction from microscopy data
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pcbi.1013800.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
细胞周期是一系列调控阶段，在此期间细胞生长、复制其DNA并进行分裂。它由四个阶段组成——两个生长期（G1和G2）、一个复制期（S）和一个分裂期（M）——每个阶段均具有独特的转录程序，并影响大多数其他细胞过程。在成像检测中，可通过特定的细胞周期标记物识别细胞周期阶段。然而，使用专用的细胞周期标记物可能不切实际甚至无法实现，因为它们会占用荧光通道，而这些通道可能需要用于其他报告基因。为解决此限制，我们提出了一种方法，从广泛使用的荧光报告基因SiR-DNA推断细胞周期阶段，从而绕过对阶段特异性标记物的需求，同时利用实验设置中已有的信息。我们的方法基于变分自编码器（VAE），并添加了两个辅助任务：预测阶段特异性标记物的平均强度以及通过潜在空间正则化强制执行时间一致性。重建任务确保潜在空间捕获与细胞周期相关的特征，而时间约束促进生物学合理性。所得到的模型CC-VAE能够从广泛使用的DNA标记物以高精度分类细胞周期阶段，因此可以应用于并非专门为细胞周期分析设计的高通量筛选数据集。CC-VAE可免费获取，同时附带一个新的、公开发布的包含超过60万个标记的HeLa Kyoto细胞核图像数据集，以支持社区进一步开发和基准测试。
Keyword:
SIZE
期刊
P
IF:
3.6
论文数:
643
被引数:
0
机构
引用论文
分享收藏Ki67 is a Graded Rather than a Binary Marker of Proliferation versus QuiescenceKi67是增殖与静止的分级标记，而不是二元标记.png)
CELL REPORTS
OAAI
CELL REPORTSIF6.9
OAAI分享收藏Orientation-invariant autoencoders learn robust representations for shape profiling of cells and organelles方向不变自动编码器学习用于细胞和细胞器形状分析的鲁棒表示NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
Robust single-particle tracking in live-cell time-lapse sequences活细胞延时序列中的鲁棒单粒子跟踪NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏Self-supervised deep learning encodes high-resolution features of protein subcellular localization自监督深度学习编码蛋白质亚细胞定位的高分辨率特征NATURE METHODSOAAI
NATURE METHODSIF32.1
OAAI分享收藏
查看更多内容