DEEMD：基于细胞形态学与深度多示例学习的 SARS-CoV-2 药物疗效估计
机器学习
2022-06-17 v2 计算机视觉与模式识别
定量方法
摘要
药物重定位可加速识别针对 SARS-CoV-2 的临床有效化合物，其优势在于具备已有的临床安全性数据与成熟的供应链。诸如 SARS-CoV-2 之类的 RNA 病毒会操纵细胞通路并诱导亚细胞结构重组以支持其生命周期。这些形态学变化可利用生物成像技术进行量化。本工作中，我们开发了 DEEMD：一种在多重示例学习框架内使用深度神经网络模型的计算流程，基于公开可用的 RxRx19a 数据集的形态学分析来识别针对 SARS-CoV-2 的潜在有效治疗。该数据集包含 SARS-CoV-2 未感染与感染细胞的荧光显微镜图像，涵盖有无药物治疗的情况。DEEMD 首先提取判别性形态学特征，从未感染与感染细胞生成细胞形态学谱。随后将这些形态学谱用于统计模型，基于与未感染细胞的相似性估计所施治疗对感染细胞的疗效。DEEMD 能够通过弱监督定位感染细胞，无需任何昂贵的像素级标注。DEEMD 识别出了已知的 SARS-CoV-2 抑制剂，如 Remdesivir 与 Aloxistatin，支持了我们所提方法的有效性。DEEMD 可探索用于其他新发病毒与数据集，以在未来快速识别候选抗病毒疗法。我们的实现可在 https://www.github.com/Sadegh-Saberian/DEEMD 在线获取。
引用
@article{arxiv.2105.05758,
title = {DEEMD: Drug Efficacy Estimation against SARS-CoV-2 based on cell Morphology with Deep multiple instance learning},
author = {M. Sadegh Saberian and Kathleen P. Moriarty and Andrea D. Olmstead and Christian Hallgrimson and François Jean and Ivan R. Nabi and Maxwell W. Libbrecht and Ghassan Hamarneh},
journal= {arXiv preprint arXiv:2105.05758},
year = {2022}
}