研究開發一種通用的細胞分離算法

2021-01-09 科學網

研究開發一種通用的細胞分離算法

作者：

小柯機器人

發布時間：2020/12/15 16:20:36

2020年12月14日，美國霍華德.休斯醫學院Marius Pachitariu課題組在《自然-方法學》雜誌發表論文，宣布他們開發出細胞分離的通用算法：Cellpose。

在本研究中，研究人員介紹了一種基於深度學習的通用方法Cellpose，該方法可以從各種類型圖像中精確地分離出細胞，並且不需要優化模型或調整參數。研究人員在高度變化的新細胞圖像數據集上對Cellpose進行了優化，該數據集包含了超過70,000個分離對象。

研究人員還揭示了Cellpose在三維（3D）擴展中的應用，該擴展重用了二維（2D）模型，並且不需要3D標記數據。為了方便Cellpose對發表數據的應用，研究人員研發了用於手動標記和管理自動結果的軟體。定期利用已發表數據對模型進行重新校正，將確保Cellpose不斷得到改進。

據介紹，許多生物學研究需要從顯微鏡圖像中分辨細胞主體、細胞膜和細胞核。深度學習已在此應用上取得了長足進步，但是當前的方法專用於具有大量數據集的圖像。

附：英文原文

Title: Cellpose: a generalist algorithm for cellular segmentation

Author: Carsen Stringer, Tim Wang, Michalis Michaelos, Marius Pachitariu

Issue&Volume: 2020-12-14

Abstract: Many biological applications require the segmentation of cell bodies, membranes and nuclei from microscopy images. Deep learning has enabled great progress on this problem, but current methods are specialized for images that have large training datasets. Here we introduce a generalist, deep learning-based segmentation method called Cellpose, which can precisely segment cells from a wide range of image types and does not require model retraining or parameter adjustments. Cellpose was trained on a new dataset of highly varied images of cells, containing over 70,000 segmented objects. We also demonstrate a three-dimensional (3D) extension of Cellpose that reuses the two-dimensional (2D) model and does not require 3D-labeled data. To support community contributions to the training data, we developed software for manual labeling and for curation of the automated results. Periodically retraining the model on the community-contributed data will ensure that Cellpose improves constantly. Cellpose is a generalist, deep learning-based approach for segmenting structures in a wide range of image types. Cellpose does not require parameter adjustment or model retraining and outperforms established methods on 2D and 3D datasets.

DOI: 10.1038/s41592-020-01018-x

Source: https://www.nature.com/articles/s41592-020-01018-x

相關焦點

  • 一種基於深度學習的低成本細胞生物學研究方法
    將來，我們將建立一種解決生物學分類問題的通用框架，並希望這些工作能激勵更多的數據科學家公布他們的生物資料庫及研究成果。2.獲取數據高通量、高精度的顯微技術在細胞生物學研究中價值非凡，但該方法對於大多數研究人員而言都是非常昂貴的。萬幸的是，新興的FoldScope顯微技術可以大大減小研究費用。
  • 一種新興的癌症細胞療法 - 過繼性免疫治療
    目前TIL療法主要致力於提高T細胞的質量和表徵，以及能簡化獲得腫瘤特異性T細胞的方法（圖2）。例如，研究提出PD-1和4-1BB能作為腫瘤標記物對外周血細胞庫進行篩選，獲得腫瘤特異性T細胞，分析輸注腫瘤特異性T細胞是否比傳統輸注TIL細胞更有效，這為T細胞個性化治療提供了一種非侵入性的策略。還有研究提出在接種疫苗或免疫檢查點抑制劑後，能潛在地分離出腫瘤特異性T細胞。
  • ...團隊開發高靈敏循環腫瘤細胞CTCs檢測技術:免疫磁珠分離+適體介...
    CTCs示意圖 來源 so.tecenet.com近日，有研究人員開發出一種方法，可以更靈敏地檢測複雜血液環境中的CTC。測量CTC可以幫助醫生確定患者的預後和最佳治療方案，但是與其他血細胞相比，這些腫瘤細胞含量非常少，因此難以檢測。儘管已開發出一些技術來鑑定血液中的CTC，但它們的靈敏度和特異性有限。因此，吳再升教授及其同事希望找到一種增強CTC螢光信號的方法，以便可以更容易地識別它們。
  • 同濟大學聯合解放軍總醫院開發幹細胞新技術 從尿液中分離細胞再生...
    全世界的科學家們一直在開發基於成體幹細胞（前體細胞）移植的腎臟再生醫學新技術，希望利用先進的細胞治療技術帶來新的突破。通過擬時序分析研究細胞軌跡，研究團隊發現這群SOX9+細胞可能是尿液中存在的具有自我更新和分化潛能的腎前體細胞。繪製尿液單細胞圖譜（左）並從尿液中分離培養腎前體細胞（右）隨後，研究團隊利用他們開發的成體上皮幹細胞培養體系（R-Clone），成功地從健康人和慢性腎病患者的尿液中分離並長期培養了上述SOX9+腎前體細胞。
  • 谷歌開發出的深度學習算法模型,可用於預測DNA鏈等亞細胞結構的變化
    該算法通過研究細胞的變化來進一步研究相關疾病的變化，獲得了多項人類尚未發現的研究成果。不同於以往，這裡的研究成果不斷，背後的首要功臣是谷歌研究團隊開發的3D細胞結構模型的算法。繼Alpha Go之後，谷歌研究團隊又一「黑科技」秒殺人類。
  • 俄科學家開發出一種用於複雜材料機械測試的通用技術
    俄羅斯斯科爾科沃科學技術研究所和國立研究型技術大學（NUST ）「 MISiS」團隊的科學家們開發了一種用於複雜材料機械測試的通用技術，這將有助於更好地控制材料狀態。據作者介紹，他們的方法將幫助確定微米級變形集中的區域，從而提前發現裂紋產生的部位，並提供防止材料破壞的解決方案。研究結果發表在科學雜誌《Polymers》（Basel）上。
  • ItClust:單細胞RNA測序分析的聚類和細胞類型分類算法
    ItClust【2】，一種將神經網絡的遷移學習用於單細胞RNA測序分析的聚類和細胞類型分類的機器學習算法圖2b顯示，儘管這四種主要的細胞被從源數據集中刪除，ItClust對目標數據集的分類仍能達到92%的準確度，並且能夠正確分離目標數據集中的這四種細胞。
  • Sangamo公司黃金手指聯手幹細胞開發「通用CAR-Treg細胞療法」
    近日（2020年4月22日），基因治療領域的領導者Sangamo Therapeutics與Mogrify達成一項獨家許可協議，以結合Mogrify專有的誘導多能幹細胞（iPSC）和胚胎幹細胞（ESC）以及Sangamo基因編輯的黃金手指-鋅指蛋白（ZFP）來開發同種異體的CAR-Treg細胞療法
  • 科學家開發可應用於任意組織類型的表觀基因組單細胞解析算法
    ，該研究報導了一種新型算法——EPISCORE，是一種可以應用於任意組織類型的表觀基因組單細胞解析算法。但是，由於實驗成本和條件的限制，大量的DNA甲基檢測一般只在混合了多種細胞類型的複雜組織中進行，得到的是多個不同細胞類型DNA甲基化變化的平均值，難以用來統計不同細胞類型中DNA甲基化的功效及其生物學解釋。因此，領域內迫切需要開發一種高效的計算生物學研究方法，能夠在單細胞層面解析複雜組織中的差異DNA甲基化組。
  • FLIVVER:一種受昆蟲啟發的算法,可估算飛行機器人的速度
    對於研發新的機器人和計算技術的研究人員而言，自然是最有價值的靈感來源之一。例如，近年來，世界各地的研究團隊已嘗試在小型機器人中人工複製在昆蟲中觀察到的行為及其基礎的生物學機制。內華達大學的一組研究人員進行了最新的嘗試之一，他們開發了一種算法，該算法受果蠅和其他飛行昆蟲在周圍環境中移動時估計相對運動的機理的啟發。
  • PNAS:模擬蛋白互作的新算法將加速治療疾病藥物的開發
    ，很多年來科學家們一直在嘗試研究繪製出PPIs的圖譜以幫助理解細胞過程發生的機制，如今刊登於PNAS上的一篇研究報告中，來自石溪大學的研究人員通過研究開發了一種超高速的方法來模擬蛋白質之間的相互作用，該方法或可幫助設計新型藥物來抑制引發疾病的問題蛋白間的相互作用。
  • 機器學習在合成生物學:一種新的生物工程算法
    但是，傳統的機器學習算法越來越不適應需要，由於缺乏大量的質量數據而受到阻礙，科學家需要更有效的在細胞的生物工程中的機器算法。勞倫斯·伯克利國家實驗室（Berkeley Lab）的科學家最近開發出了一種新的工具，可將機器學習算法適應合成生物學的需求，從而系統地指導開發生物工程，這一新的機器學習方法可加速生物工程，比目前的預測途逕行為的方法快得多。
  • 加拿大科學家開發出構建下一代生物傳感器的通用技術
    原標題：加拿大科學家開發出構建下一代生物傳感器的通用技術 　　原標題：加開發出構建下一代生物傳感器的通用技術 　　用顏色顯現細胞中蛋白間「小動作」 　　科技日報多倫多1月26日電（記者馮衛東）據26日出版的《自然·方法學》報導，活細胞中蛋白間相互作用的檢測和成像將變得更加豐富多彩，這要歸功於加拿大科學家開發出的一種新技術
  • 新的計算機算法有助於實驗室對癌細胞的正確識別
    肯特大學的研究人員開發了一種計算機算法，可以根據顯微圖像識別癌細胞株的不同。癌細胞系在實驗室中分離，並作為細胞培養，用於研究和開發抗癌藥物的細胞。然而，許多細胞系在與其他細胞系交換或汙染後會被錯誤識別，這意味著許多研究人員可能使用了錯誤的細胞。自從癌細胞系的研究開始以來，這一直是一個持久的問題。短串聯重複序列(STR)分析常用來鑑定癌細胞系，但昂貴且耗時。此外，STR不能區分來自同一個人或同一動物的細胞。
  • Cell:暫時忘記流式細胞儀吧,科學家們開發出智能圖像激活細胞分選...
    2018年8月29日/生物谷BIOON/---50多年來，基於流式細胞儀（flow cytometry）的細胞分選是依據細胞的表面標誌物表達譜從物理上分離這些細胞，它已成為生物學實驗室中的一種廣泛使用的工具。
  • 循環腫瘤細胞(CTC)分離技術概述
    1976年，Nowell將CTC的定義修正為：來源於原發腫瘤或轉移腫瘤，獲得脫離基底膜的能力併入侵通過組織基質進入血管的腫瘤細胞。上世紀90年代，科學家開始意識到CTC的重要性並對其臨床意義進行研究。2000年以後，CTC日益成為臨床上液態活檢標誌物的研究熱點，並在臨床越來越廣泛的應用。
  • 科學家發現新殺傷性免疫細胞 有望帶來「通用」癌症療法
    科學家發現新殺傷性免疫細胞 有望帶來「通用」癌症療法  olivia chan • 2020-01-21 14:32:54
  • 機器學習＋合成生物學：算法也能成為你的細胞生物工程師
    現在，美國能源部勞倫斯伯克利國家實驗室（Berkeley Lab）的科學家們開發出了一種新工具，使機器學習算法可以適應合成生物學的需求，從而系統地指導生物製品的開發。這項創新意味著，科學家們不必再花費數年時間對細胞的每個部分以及細胞的功能進行細緻的了解再對其進行操作。取而代之，通過有限的訓練數據集，算法就能夠預測細胞的DNA或生物化學變化將如何影響其行為，然後對下一個工程周期提出建議，並對實現預期目標的概率進行預測。
  • Cell:科學家提出腫瘤細胞「幹細胞指數」概念 未來有望開發出...
    2018年4月11日 訊 /生物谷BIOON/ --日前，一項刊登在國際雜誌Cell上的研究報告中，來自聖保羅大學等機構的研究人員通過研究開發出了一種新型的索引模式，其能為癌症患者的預後提供相關信息，同時也能幫助指導癌症患者採用更加合適的療法進行治療，並且鑑別出開發新藥的靶點。
  • Genome Biol:人工智慧算法——基因組研究的「瑞士軍刀」
    2019年12月1日 訊 /生物谷BIOON/ --每個分子遺傳學家都希望找到一個易於使用的程序，可以比較來自不同細胞條件的數據集，識別增強子區域，然後將其分配給目標基因。 如今，柏林馬克斯·普朗克分子遺傳學研究所的馬丁·溫格隆（Martin Vingron）領導的研究小組現已開發出一個掌握所有這些內容的程序。