Deep learning is widely applicable to phenotyping embryonic development and disease.
Deep learning is widely applicable to phenotyping embryonic development and disease.
复制标题
DOI：
10.1242/dev.199664
复制
发表时间：
2021-11-01
期刊：
影响因子：
--
通讯作者：
Lienkamp SS
中科院分区：
文献类型：
--
作者：
Naert T;Çiçek Ö;Ogar P;Bürgi M;Shaidani NI;Kaminski MM;Xu Y;Grand K;Vujanovic M;Prata D;Hildebrandt F;Brox T;Ronneberger O;Voigt FF;Helmchen F;Loffing J;Horb ME;Willsey HR;Lienkamp SS
基因组编辑简化了先天性疾病新动物模型的生成。然而，对胚胎发育改变的详细且公正的表型评估仍然是一个挑战。在这里，我们探索深度学习 (U-Net) 如何在各种成像模式中自动执行分割任务，并且与正常变异性相比，量化非洲爪蟾胚胎中肾脏、神经和颅面发育改变的表型。我们证明了这种方法在多囊肾（pkd1 和 pkd2）和颅面畸形（six1）胚胎中的实用性。我们重点介绍了在 dyrk1a 和 Six1 功能丧失或使用视黄酸抑制剂治疗后，光片显微镜如何促进热带 X. 胚胎内大脑和颅面结构的准确重建。这些工具提高了评估化学或遗传破坏引起的发育畸形的灵敏度和通量。此外，我们还提供了一个预训练网络库以及将深度学习应用于读者自己的数据集的详细说明。我们展示了胚胎疾病模型上深度神经网络表型分析的多功能性、精确性和可扩展性。通过结合光片显微镜和深度学习，我们为胚胎模型生物的高通量表征提供了一个框架。 。摘要：我们使用深度学习工具来自动进行图像分析，包括胚胎发育和疾病的高维光片图像。
Genome editing simplifies the generation of new animal models for congenital disorders. However, the detailed and unbiased phenotypic assessment of altered embryonic development remains a challenge. Here, we explore how deep learning (U-Net) can automate segmentation tasks in various imaging modalities, and we quantify phenotypes of altered renal, neural and craniofacial development in Xenopus embryos in comparison with normal variability. We demonstrate the utility of this approach in embryos with polycystic kidneys (pkd1 and pkd2) and craniofacial dysmorphia (six1). We highlight how in toto light-sheet microscopy facilitates accurate reconstruction of brain and craniofacial structures within X. tropicalis embryos upon dyrk1a and six1 loss of function or treatment with retinoic acid inhibitors. These tools increase the sensitivity and throughput of evaluating developmental malformations caused by chemical or genetic disruption. Furthermore, we provide a library of pre-trained networks and detailed instructions for applying deep learning to the reader's own datasets. We demonstrate the versatility, precision and scalability of deep neural network phenotyping on embryonic disease models. By combining light-sheet microscopy and deep learning, we provide a framework for higher-throughput characterization of embryonic model organisms. . Summary: We used deep-learning tools to automate image analysis, including high-dimensional light-sheet images, of embryonic development and disease.
登录
查看更多内容
影响因子：
48
作者：
Buhmann J;Sheridan A;Malin-Mayor C;Schlegel P;Gerhard S;Kazimiers T;Krause R;Nguyen TM;Heinrich L;Lee WA;Wilson R;Saalfeld S;Jefferis GSXE;Bock DD;Turaga SC;Cook M;Funke J
通讯作者：
Funke J
影响因子：
--
作者：
Dubey A;Saint-Jeannet JP
通讯作者：
Saint-Jeannet JP
影响因子：
48
作者：
Gomez-de-Mariscal, Estibaliz;Garcia-Lopez-de-Haro, Carlos;Sage, Daniel
通讯作者：
Sage, Daniel
影响因子：
14.9
作者：
Brinkman EK;Chen T;Amendola M;van Steensel B
通讯作者：
van Steensel B
影响因子：
64.8
作者：
通讯作者：
--