人工智能可以加快高内容筛选分析如何
什么分子影响我们的细胞以及它们如何影响他们吗?这个问题的重要性在生物医学科学,特别是在系统生物学和药物发现。在这些领域的研究者,高含量screeening(高碳钢)已成为一个主要方法。成像工具测量细胞暴露于特定分子的荧光读数或代理确定任何对细胞表型的影响。高碳钢测定多种细胞过程评估,和成千上万的生物效应的代理可以高通量的方式决定的。
高碳钢产生的巨大的数据量都是它的优点和缺点;它迅速给我们大量的信息感兴趣的化合物,但数据分析变得相当痛苦和累人的过程。巴塞尔Genedata认为,传统的计算机分析技术已经过时,并建议基于深度学习方法,就像那些被他们Genedata Imagence工作流,是前进的方向。我跟Genedata科学主管斯蒂芬Steigele博士发现更多。
Ruairi Mackenzie (RM):什么是参与高碳钢图像分析,并减缓这个过程的缺陷是什么?
Stephan Steigele (SS):图像分析高碳钢是耗时的,劳动密集型的过程,涉及不同级别的专业知识和软件解决方案。它需要很多手工步骤,如提取特征的选择和正确检测的细胞。这个过程可以高度重复和容易出错的操作复杂性和多个数据移交。这些挑战成为放大早期药物发现越来越依赖复杂的表型分析生物相关的模型系统。因此,传统的计算机视觉不规模分析的复杂性和纯粹的这些分析产生的数据量,这通常需要复杂的图像分析程序和冗长的设置。底线是:传统的高碳钢图像分析不能跟上大数据,破坏小说相关的药物发现和增加成本和资源。
RM:自动化改善高碳钢形象如何分析?
SS:自动化是推动更高的吞吐量和更好的质量,如通过增加重复测量结果的一致性较低的实验错误。自动图像分析释放了领域专家的时间和资源,使研究人员能够专注于研究的药理学和生物系统而不是技术细节。Genedata Imagence有效自动化高碳钢图像分析,使研究人员能够:
•迅速发现和定义所有细胞表型的高碳钢,不受阻碍的问题;
•精确地量化相关药理学;
•减少对表型图像所需的时间和成本分析;和
•产生质量的结果从一个新的实验几分钟到几个小时与周通常需要手工分析和优化
RM:深度学习如何帮助分析过程,使分析之间的知识转移?
SS:在历史上,科学家(bioinformaticians)“设计”手工制作的图像分析功能。例如,一个特性可能是大小的细胞或细胞间发射光的强度。深度学习,然而,本手册的步骤是作为卷积网络不再需要,可以自行学习的特性和它们的重要性(例如,一个细胞的大小是重要的药理效应?)。
深入学习,我们可以创建直观的地图,现在所谓的表型空间来支持分析生物学家。因此,他们只需要几百个细胞的视觉检查图像的实验问题,标记图像的相应的表型类(如小型和大型细胞)——这一过程只需要几个小时。在hands-on-free训练的神经网络,网络学习本身特征提取,分类,哪些重要不同表现型之间的类。结果是一个训练网络,可以应用在后续生产试验运行。网络集体分析生产数据并生成药物相关的结果。
Genedata Imagence也表明我们可以转移的知识一个生物学家已经生成的标记不同的图像从一个特定的实验数据集到另一个数据集。通常情况下,当一个新的分析生成的图像分析需要细化到现有图像分析。这个过程可能持续数天到数周。然而,我们已经演示了在联合Genedata /阿斯利康项目,我们可以将知识从一个实验条件得到新的条件,无需人工干预,在短短几百秒。
RM:的优点Genedata Imagence软件在其他可用自动化分析技术?
SS:尽我所知,哥伦布等软件包依赖于经典计算机视觉和手动“手工制作”的特性。在这些包的优势Genedata Imagence Imagence是该行业的第一个商业和自动化分析高碳钢instrument-agnostic软件图像没有人工干预和图像分析技术。如上所述,我们基于深度学习解决方案加速分析表型高含量的耗时且复杂的过程图像。另外,它提供了可再生的,无偏见的结果证明等于或优于传统分析方法的结果。Imagence不需要专业技术之外的实验生物学家牧师几百图像;这一过程是极其高效由于表型地图生成的从我们的深度学习指导(称为相似地图Genedata Imagence)。
同时,基于传统方式学习方法需要一些利益相关者,形成多学科任务,包括协调不同角色。这种方法降低周期时间和阻碍进步的药物发现和推出一套更广泛的科学家研究活动。与Genedata Imagence,我们让更多的组织执行高含量筛查,同时增加高质量的结果参数的数量,使更有效的药物发现过程和提高治疗和医疗保健。
斯蒂芬博士Steigele Ruairi J Mackenzie说,科学技术网络作家188金宝搏备用