基于明场图像预测连续细胞周期阶段的序列模型
计算机视觉与模式识别
2025-12-11 v2
摘要
理解细胞周期动力学对于研究生长、发育和疾病进展等生物学过程至关重要。虽然 Fucci 系统等荧光蛋白报告基因允许对细胞周期阶段进行实时监测，但它们需要基因工程改造并占用额外的荧光通道，限制了其在复杂实验中更广泛的应用。在本研究中，我们对利用非荧光明场成像（一种广泛可用的无标记模态）预测连续 Fucci 信号的深度学习方法进行了全面评估。为此，我们生成了一个包含 130 万张具有完整细胞周期轨迹的分裂 RPE1 细胞图像的大型数据集，以定量比较不同模型类别的预测性能，包括单时间帧模型、因果状态空间模型和双向 Transformer 模型。我们表明，基于因果和 Transformer 的模型均显著优于单帧和固定帧方法，能够以 1 小时的分辨率预测视觉上不可察觉的转换（如 G1/S）。我们的发现强调了序列模型对于准确预测细胞周期动力学的重要性，并突出了其在无标记成像中的潜力。
引用
@article{arxiv.2502.02182,
title = {Sequence models for continuous cell cycle stage prediction from brightfield images},
author = {Louis-Alexandre Leger and Maxine Leonardi and Andrea Salati and Felix Naef and Martin Weigert},
journal= {arXiv preprint arXiv:2502.02182},
year = {2025}
}