Emerging machine learning approaches to phenotyping cellular motility and morphodynamics.
Emerging machine learning approaches to phenotyping cellular motility and morphodynamics.
复制标题
DOI：
10.1088/1478-3975/abffbe
复制
发表时间：
2021-06-17
期刊：
影响因子：
2
通讯作者：
中科院分区：
文献类型：
--
作者：
细胞对分子和环境扰动的反应是不均匀的。表型异质性，其中多种表型在相同条件下共存，在解释观察到的异质性时提出了挑战。活细胞显微镜的进步使研究人员能够以高时空分辨率获得前所未有的活细胞图像数据。然而，表型细胞动力学是一项重要的任务，需要机器学习（ML）方法从活细胞图像中识别表型异质性。近年来，ML已被证明在生物医学研究中发挥了重要作用，使科学家能够实现复杂的计算，其中计算机可以学习并有效地执行特定的分析，而只需最少的人工指令或干预。在这篇综述中，我们讨论了ML最近如何被用于细胞运动和形态动力学的研究，以确定从计算机视觉分析的表型。我们专注于从复杂的活细胞图像中提取和学习有意义的时空特征的新方法，用于细胞和亚细胞表型分析。
Cells respond heterogeneously to molecular and environmental perturbations. Phenotypic heterogeneity, wherein multiple phenotypes coexist in the same conditions, presents challenges when interpreting the observed heterogeneity. Advances in live cell microscopy allow researchers to acquire an unprecedented amount of live cell image data at high spatiotemporal resolutions. Phenotyping cellular dynamics, however, is a nontrivial task and requires machine learning (ML) approaches to discern phenotypic heterogeneity from live cell images. In recent years, ML has proven instrumental in biomedical research, allowing scientists to implement sophisticated computation in which computers learn and effectively perform specific analyses with minimal human instruction or intervention. In this review, we discuss how ML has been recently employed in the study of cell motility and morphodynamics to identify phenotypes from computer vision analysis. We focus on new approaches to extract and learn meaningful spatiotemporal features from complex live cell images for cellular and subcellular phenotyping.
登录
查看更多内容
影响因子：
3
作者：
Bray MA;Carpenter AE
通讯作者：
Carpenter AE
影响因子：
48
作者：
Buggenthin F;Buettner F;Hoppe PS;Endele M;Kroiss M;Strasser M;Schwarzfischer M;Loeffler D;Kokkaliaris KD;Hilsenbeck O;Schroeder T;Theis FJ;Marr C
通讯作者：
Marr C
影响因子：
5.4
作者：
Cobb, Joshua N.;DeClerck, Genevieve;Greenberg, Anthony;Clark, Randy;McCouch, Susan
通讯作者：
McCouch, Susan
影响因子：
16.6
作者：
Akanuma T;Chen C;Sato T;Merks RM;Sato TN
通讯作者：
Sato TN
影响因子：
5.2
作者：
Bandiera L;Furini S;Giordano E
通讯作者：
Giordano E