利用自学习特征与图模型提升原位测序的召回率
定量方法
2018-02-27 v1 计算机视觉与模式识别
摘要
基于图像的 mRNA 测序使得观测给定基因在组织样本中的活跃位置成为可能，从而可并行区分大量不同细胞类型。这对于更好地理解组织发育与癌症等疾病至关重要。信号在多个染色与成像周期中采集，而信号密度与噪声使得信号解码颇具挑战。先前方法在力求保持高灵敏度时导致了较低的信号召回率。我们提出一种方法：充分纳入信号候选，并利用卷积神经网络在周期层面上自学习真实信号概率。此后，将信号候选与概率预测输入一个图模型，跨测序周期搜索信号候选。该图模型结合强度、概率与空间距离来寻找代表已解码信号序列的最优路径。我们与当前最优方法进行了对比评估，表明在保持灵敏度的情况下将召回率提升了 。此外，视觉检查显示，大多数现已正确解析的信号此前因高信号密度而丢失。因此，所提方法有望显著改善原位测序实验中的空间统计进一步分析。
引用
@article{arxiv.1802.08894,
title = {Improving Recall of In Situ Sequencing by Self-Learned Features and a Graphical Model},
author = {Gabriele Partel and Giorgia Milli and Carolina Wählby},
journal= {arXiv preprint arXiv:1802.08894},
year = {2018}
}
备注
4 pages, 3 figures