[ad_1]
Nature Methods의 기사에서 Emma Lundberg와 동료들은 형광 이미지에서 단일 세포 단백질 패턴을 표시하는 기계 학습 모델을 개발하기 위한 크라우드 소싱 대회(Human Protein Atlas – Single-Cell Classification)의 결과를 설명했습니다.
단백질 국소화는 생물학적 네트워크를 이해하는 데 매우 중요하며 단백질의 발현 및 국소화는 세포 유형 간에는 물론 유전적으로 동일한 세포 집단 내에서도 다양하다는 것이 잘 알려져 있습니다. 따라서 단백질의 세포하 국소화는 단일 세포 수준에서 기인할 필요가 있습니다.
이 대회는 Kaggle 플랫폼에서 개최되었으며 3개월 동안 757개의 참가 팀과 19,000개 이상의 제출물이 참여했습니다. 목표는 표준 HPA 주석 파이프라인을 기반으로 하는 이미지 수준 레이블만 있는 훈련 세트가 주어지고 17가지 다른 인간의 거의 22,000개의 공초점 현미경 이미지로 구성된, 현미경 이미지의 모든 단일 세포에 대한 세포하 단백질 국소화 패턴을 분류하기 위한 계산 모델을 개발하는 것이었습니다. 거의 8,000개의 서로 다른 유전자에 의해 암호화된 세포주와 단백질.
문제를 해결하기 위해 대부분의 팀은 모델의 백본으로 심층 신경망을 사용하여 셀 수준 접근 방식 또는 이미지 수준 접근 방식을 사용했습니다. 우승팀은 세포 수준 및 이미지 수준 예측(Truthful Cell Activation Community 또는 FCAN) 및 후속 세포 예측(Swin Transformer)을 위한 파이프라인이 포함된 모델을 사용하여 Puzzle-CAM을 기반으로 공정 활성화를 위한 새로운 접근 방식을 제시했습니다.
이러한 유형의 모델은 이미지 내의 단일 세포 공간 변동성, 세포 간 단백질 공간 발현 이질성 및 세포의 생물학적 과정을 밝히고 다양한 소기관의 동적 단백질 기능에 대한 더 나은 이해를 제공하는 데 도움이 될 것입니다.
[ad_2]
Supply hyperlink
