定量生物学>定量方法
标题: 基于深度学习的高含量细胞成像多组分预测
摘要: 高含量的细胞成像、转录组学和蛋白质组学数据为影响细胞状态和功能的生物分子层提供了丰富而互补的观点。 然而,多组学测量的变化影响细胞形态的生物决定因素尚未得到系统的研究,因此,目前尚不清楚细胞成像在多大程度上可能直接从细胞成像数据中预测多组学。 在这里,我们讨论了是否可以使用Image2Omics直接从细胞图像中预测大量多组分测量值的问题。Image2O mics是一种深度学习方法,直接从多重荧光染料染色的高含量细胞图像预测细胞群中的多组分。 我们对来自人类诱导多能干细胞(hiPSC)的基因编辑巨噬细胞进行了实验评估 在多种刺激条件下,并证明Image2Omics在直接从细胞图像预测转录组学和蛋白质组学测量方面取得了显著优于基于平均观察到的训练集丰度的预测。 我们观察到M1和M2刺激巨噬细胞26137个转录物中分别有4927个(18.72%;95%CI:6.52%,35.52%)和3521个(13.38%;95%CI:4.10%,32.21%)转录物的丰度具有显著的可预测性,422个(8.46%;95%CI:0.58%,25.83%)和697个(13.98%;95%CI:2.41%,32.83%)转录体的丰度也具有显著的预测性 M1和M2刺激巨噬细胞中分别有4986个蛋白质。 我们的结果表明,一些转录物和蛋白质丰度可以从细胞成像中预测,并且细胞成像可能在某些情况下,根据感兴趣的机制和期望的性能阈值,甚至可能成为多组学测量的可扩展且资源高效的替代品。