Deepcell发布首开先河的单个细胞形态学数据集
Deepcell已经宣布,它已经发布了三组数据,使研究人员探索小说高维形态学数据。数据集生成Deepcell的高通量平台,由成像和排序仪表,人工智能模型和软件套件。Deepcell提供新的数据集
人工智能模型,称为人工地基模型,已培训了数以百万计的细胞图像,使科学家能够轻易产生高维读数的已知和小说在一个无限的假设从标记细胞形态学特征的方法。创建自定义的软件套件还允许细胞形态相似的细胞群体的分类和识别分类的可行的细胞,使下游分子或功能分析。
“形态变化,甚至在一个示例中,惊人地高和微妙。没有预定的功能列表或类描述足以捕捉这大量的信息。我们相信,我们的方法基础模型和self-supervised学习细胞形态学研究提供了一个无与伦比的优势,“说Mahyar Salek,总统首席技术官和Deepcell创始人之一。
Deepcell释放的数据将有助于研究团体可视化Deepcell的高维单细胞形态生成的数据平台。直到现在,高含量形态学数据仅限于复用许多已知的标记或复杂的人工智能解释培训方案。现在交通便利,Deepcell高维的形态可以用来通知发现跨多种样本类型,如细胞系,主要体液,分离组织样本以及跨应用程序,包括复杂样品的表征,细胞图谱,细胞和基因治疗的发展,功能筛选、癌症生物学、干细胞研究等。
“我们的开创性释放这三个数据集允许科学家去探索一个全新的分析物在细胞生物学。研究人员可以问新问题,将丰富他们的理解细胞生物学和燃料新奇的发现,“Deepcell首席商务官马克·蒙特塞拉特说。“Deepcell是建立创新在单细胞分析的方法提取可操作的数据,可以结合其他数据pan-omics方法。”
第一组数据发布展示技术如何描述不同的细胞类型label-free的方式在一个异构的样品,并允许用户分析感兴趣的特定的细胞数量难以认同的分子标记。具体地说,三个人类癌症数据集可供探索。
在第一个数据集,Deepcell平台是用于人类黑色素瘤细胞系的混合物和原发肿瘤样本识别肿瘤,免疫,和基质细胞种群label-free的方式,仅使用形态。黑色素瘤肿瘤细胞人口数据从这个数据集被选中Deepcell软件套件和re-projected使用自定义UMAP为了获得更多的决议到这个形态不同的族群,创建第二个数据集。这显示了这些细胞的异质性基于微妙的形态特征,包括色素,用常规方法难以识别。在最后的数据集,Deepcell label-free技术被用来探索的形态多样性肺肿瘤微环境中免疫细胞的数量从人类分离各种肿瘤细胞(DTC)样本。
