In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images.
In Silico Labeling: Predicting Fluorescent Labels in Unlabeled Images.
复制标题
计算机标签：预测未标记图像中的荧光标签。
DOI：
10.1016/j.cell.2018.03.040
复制
发表时间：
2018-04-19
期刊：
影响因子：
64.5
通讯作者：
Finkbeiner S
中科院分区：
文献类型：
--
作者：
Christiansen EM;Yang SJ;Ando DM;Javaherian A;Skibinski G;Lipnick S;Mount E;O'Neil A;Shah K;Lee AK;Goyal P;Fedus W;Poplin R;Esteva A;Berndl M;Rubin LL;Nelson P;Finkbeiner S
显微镜是生命科学的核心方法。许多流行的方法，如抗体标记，用于添加物理荧光标记到特定的细胞成分。然而，这些方法具有显著的缺点，包括不一致性、由于光谱重叠而导致的同时标记的数量的限制以及实验的必要扰动，例如固定细胞以产生测量。在这里，我们展示了一种计算机器学习方法，我们称之为“计算机标记”（ISL），可以可靠地预测来自未标记的固定或活生物样品的透射光图像的一些荧光标记。ISL预测一系列标记，例如用于细胞核、细胞类型（例如，神经的），和细胞状态（例如，细胞死亡）。由于预测是在计算机上进行的，因此该方法是一致的，不受光谱重叠的限制，并且不会干扰实验。ISL生成生物测量结果，否则将存在问题或不可能获得。
Microscopy is a central method in life sciences. Many popular methods, such as antibody labeling, are used to add physical fluorescent labels to specific cellular constituents. However, these approaches have significant drawbacks, including inconsistency, limitation in number of simultaneous labels due to spectral overlap, and necessary perturbations of the experiment, such as fixing the cells, to generate the measurement. Here we show a computational machine learning approach, which we call “in silico labeling" (ISL), reliably predicts some fluorescent labels from transmitted light images of unlabeled fixed or live biological samples. ISL predicts a range of labels, such as those for nuclei, cell-type (e.g., neural), and cell state (e.g., cell death). Because prediction happens in silico, the method is consistent, not limited by spectral overlap, and does not disturb the experiment. ISL generates biological measurements that would otherwise be problematic or impossible to acquire.
登录
查看更多内容
DOI：
10.1016/j.mcn.2013.07.007
发表时间：
2013-09
期刊：
Molecular and cellular neurosciences
影响因子：
--
作者：
Burkhardt MF;Martinez FJ;Wright S;Ramos C;Volfson D;Mason M;Garnes J;Dang V;Lievers J;Shoukat-Mumtaz U;Martinez R;Gai H;Blake R;Vaisberg E;Grskovic M;Johnson C;Irion S;Bright J;Cooper B;Nguyen L;Griswold-Prenner I;Javaherian A
通讯作者：
Javaherian A
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：
16.6
作者：
Du, Zhong-Wei;Chen, Hong;Liu, Huisheng;Lu, Jianfeng;Qian, Kun;Huang, CindyTzu-Ling;Zhong, Xiaofen;Fan, Frank;Zhang, Su-Chun
通讯作者：
Zhang, Su-Chun
影响因子：
12.3
作者：
Carpenter AE;Jones TR;Lamprecht MR;Clarke C;Kang IH;Friman O;Guertin DA;Chang JH;Lindquist RA;Moffat J;Golland P;Sabatini DM
通讯作者：
Sabatini DM
影响因子：
7.7
作者：
Long, Xi;Cleveland, W. Louis;Yao, Y. Lawrence
通讯作者：
Yao, Y. Lawrence