基于轨迹与细胞命运信息的细胞身份预测
定量方法
2024-03-05 v2 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
在成像序列中确定细胞身份是一项重要但具有挑战性的任务。传统的细胞识别方法是通过细胞追踪，这既复杂又耗时。在本研究中，我们提出了一种利用机器学习在早期 胚胎发生过程中进行细胞识别的创新方法。 胚胎发生过程中的细胞识别将为神经发育提供洞见，并对包括人类在内的高等生物具有启示意义。我们采用了随机森林、多层感知机 (MLP) 和长短期记忆网络 (LSTM) 模型，并在涵盖胚胎发生最初 4 小时的三维延时共聚焦数据集上测试了细胞分类的准确率。通过利用单个细胞的少量时空特征，包括细胞轨迹和细胞命运信息，我们的模型即使在数据有限的情况下也能达到超过 91% 的准确率。我们还确定了最重要的特征贡献，并能结合生物学知识解释这些特征。我们的研究证明了直接从简单的时空特征预测延时成像序列中细胞身份的成功。
引用
@article{arxiv.2401.06182,
title = {Prediction of Cellular Identities from Trajectory and Cell Fate Information},
author = {Baiyang Dai and Jiamin Yang and Hari Shroff and Patrick La Riviere},
journal= {arXiv preprint arXiv:2401.06182},
year = {2024}
}