自动化成像分析工作流程中的人工智能
最近在成像分析中采用的机器学习方法(一种实现人工智能 [AI] 的方法)在许多研究领域迅猛兴起。深度学习是基于人工神经网络的更广泛机器学习算法的一部分。深度学习架构成功解决了医学、病理学和生物学成像应用中的复杂分析问题。
AI 术语定义:
人工智能 (AI) – 一种通过计算机系统模拟人类智能的过程。
机器学习 (ML) – 一种基于现有数据使用算法确定或预测模式来实现 AI 的方法。机器学习算法随后会自动推断出区分类别的规则。
深度学习 (DL) – 机器学习方法的一个子集,该方法使用人工神经网络 (ANN) 来学习输入/输出关系。ANN 是由多层“神经元”或计算细胞表示的数学模型。
用化合物处理患者源性细胞球后进行随时间推移的形态测量分析A) 在处理后第 1、3 和 5 天使用明场成像监测细胞球。在 IN Carta 软件中使用 SINAP 分割图像(品红覆盖)。
机器学习改进了图像分割和物体分类
自动化成像分析是大多数高内涵成像平台不可或缺的一部分。实时监测细胞和类器官并提取有意义信息的能力,取决于非标记透射光图像的稳健成像分析。明场图像分析面临的挑战包括对比度低、背景不均匀和成像伪影。一组确定的全局参数很少能成功分割明场中的成像物体。机器学习的最新进展完善了成像分析工作流程,可在复杂的数据集中实现更加稳健的图像分割。
在生物图像分析中,深度学习提供了一个强大的工具箱,可以解决具有挑战性的图像分割和物体跟踪。常规成像分析通常包括明确一组固定的参数来分割目标物体,以便进行下游定量分析。但这些预先确定的参数并不适用于所有实验,因为实验条件存在高度可变性。手动调节分析方案不切实际,因为高通量环境下的成像数据量很大。
为了克服这些挑战,可以使用机器学习工具进行图像分割和物体分类,以实现成像分析工作流程的自动化。
基于机器学习的高通量分析的 IN Carta 成像分析软件
在成像分析工作流程中,IN Carta® 成像分析软件提供一个包括 AI 工具的直观用户界面。IN Carta 软件中机器学习的两个关键组件是软件模块 SINAP 和 Phenoglyphs。基于深度学习的 SINAP 可以稳健地检测复杂的目标物体(如干细胞集落或类器官),只需极少的人为干预就能提高成像分析的准确度和可靠性。分析输出包括形态、密度和纹理测定结果。
基于机器学习的 Phenoglyphs 也可以进行数据分类。Phenoglyphs 需要数百个通过 SINAP 提取的图像特征描述,并创建一组对外观相似物体进行分组的最佳规则。两个模块都可根据无监督决策生成初始结果,该结果通过用户输入进行反复优化。通过一个易用、端到端的工作流程,两者可共同提高结果的完整性和准确度。
通过 IN Carta SINAP 在物体分割中应用深度学习
由于数据集的多样性,显微镜图像的自动物体分割可能具有挑战性。IN Carta 成像分析软件采用 SINAP(一个利用深度卷积神经网络学习算法的可训练分割模块)处理这些具有挑战性的问题。
SINAP 使用深度学习,因此能够处理由于处理方法不同和细胞种类不同导致的样品形态的变异。每种处理方法的分割都确保相同的准确度,因此在本步骤中提取的信息对于后续分析步骤中比较各种不同处理方法都有很多高可靠性。
克服基于机器学习的模型的图像分割挑战:
A) 呈现了对定量分析而言具有挑战性的不同生物学模型的示例。对于在微腔板中培养的 3D 细胞球,在每个微腔周围会产生一个干扰物体分割的阴影(箭头)。3D 类器官在基质胶中培养,基质胶常常因基质胶穹顶和物体超出成像平面(矩形)导致的失真而产生非匀质背景。iPSC 作为相对平坦的培养物生长;因此,低对比度(蓝色箭头)和碎片(黄色箭头)会妨碍 iPSC 集落图像的稳健分割。
B) 模型培训工作流程概览:生成训练图像 > 训练模型 > 检测模型 > 重复。
C) 使用 SINAP,通过所示图像例子在 IN Carta 软件中创建模型的主要步骤。使用标注工具给图像加注释,以说明目标物体和背景。将代表真实情况的加标注图像添加到训练集。在训练步骤中,根据最适合的现有模型和用户指定标注建模。在所示示例中,需要修正分割掩膜(第 3 步),重复第 1-3 步。
对 IN Carta Phenoglyphs 物体分类应用机器学习
IN Carta 成像分析软件还包括一个称为 Phenoglyphs 的可训练物体级分类模块。Phenoglyphs 模块根据分割测量结果对外观相似的物体进行分组。分组时,可以评估某种治疗是否产生了有益的表型,甚至能推断出涉及的基础机制。通过使用机器学习,可以同时分析所有视觉特征,优化将物体分配到正确组别所需的复杂规则。这种高度多元且受数据驱动的方法解决微小表型差异的能力要强得多,能够更稳健地防止将物体分配到错误组别。
作为一名用户,您只需要对每种类别的少量示例进行审查并提供意见,再通过 Phenoglyphs 模块将模型应用于整个数据集。通过这种方法,最大程度减少了在第一步类别分配中对用户输入的需求,从而节省了大量时间。
基于机器学习的应用
常规成像分析方法在手动操作或甚至半自动操作时可能非常复杂耗时。由于任务复杂且高度细节化,总会出现人为误差和偏置的可能性。再加上工作流程重复、冗长且常常很费力,这为机器学习提供了大显身手的机会。
了解更多有关与 ImageXpress Confocal HT.ai 智能化共聚焦高内涵成像分析系统配对的 IN Carta 深度学习软件如何帮助消除人与人之间的差异、人为误差和偏置,从而提高数据质量和置信度,并优化工作流程和效率。
将数据集从 IN Carta 导入 StratoMineR,以便从您的数据中获得更深入的见解
IN Carta 成像分析软件可以利用先进的 AI 技术,从复杂的生物学图像和数据集中获得可靠的定量结果。将这些数据直接导入 StratoMineR,这是一个直观的网络平台,可通过典型的工作流程指导用户进行高内涵、多参数数据分析。
前沿资源
用于生物成像分析的 AI、机器学习和深度学习工具资源
博客
Stem Cell Science and Regenerative Medicine – Technology and Methods Presented at ISSCR 2022
干细胞科学和再生医学 – 国际干细胞研究协会 (ISSCR) 2022 年会上展示的技术和方法
在 ISSCR 2022,这又是很棒的一年!来自全球的业界领袖齐聚一堂,讨论新技术,分享见解,并探讨前沿的干细胞技术突破……
文献
AI-Powered Phenotypic Profiling Revolutionizes Drug Discovery
人工智能 (AI) 驱动的表型剖析彻底改变了药物发现
目前,90% 的药物未能通过临床试验。此外,每种药物的开发和批准都需要 10 余年的时间,而且平均要花费 20 亿美元。1 一种重要的潜在……
文献
A Picture Paints a Thousand… New Therapies?
一张图片描绘了一千种……新型治疗?
Cell painting 是一种高内涵分析技术,该技术最多可使用 6 种荧光染料在单细胞层面显现特定的细胞组分。该检测可大体“绘出”……
科学海报
Phenotypic profiling based on the Cell Painting assay
基于 Cell Painting 测定法的表型剖析
Cell Painting 测定法等多参数高内涵筛选方法越来越多地用于药物发现计划、功能……等许多应用
科学海报
Intestinal organoids for automated screening assays. High content imaging and analysis of organoid morphology
用于自动筛选测定的肠道类器官。类器官形态的高内涵成像和分析
我们此处介绍自动化类器官培养的工作流程。自动化方法利用集成的工作站,其中包含多种仪器,提供自动化细胞培养......
博客
Life Science and Technology Predictions for 2022
2022 的生命科学技术预测
三十多年来,Molecular Devices 通过其创新生命科学……助力学术、制药、政府和生物科技客户取得了诸多科学突破
博客
Engineering Next-gen Organoids with Automated Lab Workflows at #SLAS2022
使用实验室自动化工作流程的下一代工程类器官 (#SLAS2022)
SLAS2022 会议,实验室自动化与筛选协会开启了令人兴奋的了解创新实验室技术的新一年。您是否亲自参加过......
应用文章
Improving the robustness of Cell Painting with a near-infrared label and advanced image and data analytics
通过近红外标签和高级图像和数据分析提高细胞全景绘制 (Cell Painting) 的稳健性
基于成像的表型剖析方法(如广泛使用的 Cell Painting 测定法)利用高内涵成像和多参数读取来研究生物学、遗传和……
应用文章
Deep Learning-based Image Analysis for Label-free Live Monitoring of iPSC and 3D Organoid Cultures
用于非标记实时监测 iPSC 和 3D 类器官培养的基于深度学习的成像分析
复杂的 3D 生物模型(如类器官和患源性细胞球)越来越多地用于多种生物医学研究领域,因为这些模型可以更接近地再现体内……
博客
Stem cell science insights and breakthroughs presented at #ISSCR2021
发表于 2021 ISSCR 年会的干细胞科学见解和突破
如果您未能在 2021 国际干细胞研究学会 (ISSCR) 年会期间参与我们的海报展示会议,不用担心。我们在这里为您收集了所有会议内容。ISSCR 年会带来了……
科学海报
Monitoring organoid development and characterization of calcium oscillation activities in iPSC-derived 3D cerebral organoids
iPSC 源性 3D 脑类器官的类器官发育监测和钙振荡活动特性鉴定
脑类器官是一项快速发展的技术,在了解脑发育和神经元疾病方面具有巨大的潜力。还可用于检测……的效应
文献
How AI is advancing neurodegenerative disease research
AI 如何推进神经退行性疾病研究
在本次特邀社论中,探索了人工智能如何成为一种强大的药物发现工具 作为 SelectScience 药物发现进展专题的一部分,特邀社论……
博客
Overcome the challenges of high-content cell analysis through AI/machine learning
通过人工智能/机器学习克服高内涵细胞分析的挑战
人工智能 (AI) 正逐渐渗透到现代生活的多个方面,无论是自动驾驶车辆还是语音控制个人助理,甚至在艺术创作方面都有所涉及。但它......
博客
How Cell Painting is making its mark on drug discovery
细胞着色如何在药物发现中作出自己的标记
您是否听说过这样一句谚语,“一图胜千言”?说到细胞着色,有一句话尤其正确。细胞着色是一种高内涵…
应用文章
High-content phenotypic profiling using the Cell Painting assay
使用 Cell Painting 检测进行高内涵表型分析
在此,我们针对Cell Painting检测推出了一个完整的工作流程,使用 ImageXpress Micro 系统和带机器学习功能的成像分析即可轻松实施Cell Painting检测
科学海报
AI-based analysis of complex biological phenotypes
复杂生物学表型的人工智能分析
细胞表型检测已成为药品开发和毒理学安全性…中传统体外和体内检测的一种越来越引人注目的替代检测
视频和网络研讨会

通过自动化样品准备提升高内涵 3D 生物成像

类器官创新中心介绍

用于进行人诱导多能性干细胞 (iPSC) 源性神经元细胞高内涵表型鉴定的一种基于人工智能 (AI) 的方法