DeepLearnMOR:一个基于荧光图像的细胞器形态分类的深度学习框架


发布时间:

2021-07-09

来源:

本站

作者:

PhenoTrait

亚细胞细胞器的适当生物发生、形态发生和动力学对其代谢功能至关重要。传统用于识别、分类和量化细胞器形态异常的技术主要手动处理,耗时且需要特定的专业知识。深度学习通过极大地提高屏幕的范围、速度和效率,有可能彻底改变基于图像的识别、筛选。本文使用转移学习和卷积神经网络(CNN)分析了47000多个来自拟南芥野生型和突变体植物的共焦显微镜图像,这些植物具有三种基本能量细胞器之一的异常分裂:叶绿体、线粒体或过氧化物酶体。

 

转移学习在细胞器形态分类中的应用

 

研究人员建立了一个深度学习框架DeepLearnMOR,它能够快速分类图像类别,识别细胞器形态学异常,准确率超过97%。特征可视化分析识别了CNN用于预测形态异常的重要特征,视觉线索有助于更好地理解决策过程,从而验证了神经网络的可靠性和可解释性。该框架为未来更大规模的研究奠定了基础,具有更广泛的范围和更大的数据集多样性和异质性。

 

DenseNet169的评价

 

细胞器形态分类CNN结构示意图

 

来源:

Li J, Peng J, Jiang X, et al. DeepLearnMOR: a deep-learning framework for fluorescence image-based classification of organelle morphology. Plants 2021, 10(4), 661; https://doi.org/10.3390/plants10040661。

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。