Cell identification and phenotyping using classical machine learning and deep learning

Abstract

Sejtazonosítás és fenotipizálás klasszikus gépi tanulás és mélytanulás alkalmazásával

A jelenlegi képi analízisen és gépi tanuláson alapuló technológiák lehetővé teszik a biológiai és egészségügyi jellemzéseket magasabb dimenzióban, még egy-sejt szinten is. Az egy-sejt analízis olyan szignifikáns előnyöket nyújt, mellyel bármilyen sejt egyedi jellemzői kinyerhetőek, ezzel segítve a tudományt daganatos vagy agy-kutatástól kezdve, gyógyszerkutatáson át egészen a személyre szabott terápiás módszerekig. Általában a mikroszkópos egy-sejt analízis első lépéseként a sejtmag meghatározása szükséges. Ennek a megfelelő lokalizálása majd azonosítása alapvető feltétel ahhoz, hogy megfelelő méréseket végezzünk a legfontosabb sejtfunkciókról. Korábban, a legjobb megközelítések a klasszikus képfeldolgozó megoldásokon alapultak, ezeknek viszont szükségük volt előzetes tudásra a megfelelő paraméterek beállításához. A közelmúltban a forradalmi mélytanuláson alapuló megközelítések elterjedtek a képelemzésben, és alapvetően hozzájárultak az úttörő eredményekhez az egy-sejt analízisen belül, beleértve a képi osztályzást, képi regisztrációt, objektum detektálást és felismerést, valamint ezek különböző alkalmazását többek között a számítógéppel támogatott diagnosztikában. Disszertációm két részből áll: fenotípus-analízis (gépi tanulás segítségével), illetve egy-sejt analízis (mélytanulás segítségével). Az első részben, a fenotípusos adat elemzése során előforduló jelentős kérdések megválaszolására fókuszáltam, mint például a „hogyan járjuk körbe a teljes adathalmazt hatékonyan” és a „hogyan javítsuk az osztályzás pontosságát”. A második részben az elsődleges fókuszomban a mélytanuláson alapuló szoftverek álltak. Kutatásom alatt több különböző eszközt használtam és fejlesztettem, valamint elkészítettem olyan algoritmusokat melyek támogatják az egy-sejt analízist. Ez a rész olyan kutatási projektek részleteit tartalmazza, melyekben részt vettem. Ilyen például egy patch-clamp rendszer teljes automatizálása, vagy egy olyan applikáció mely segít a felhasználóknak elemezni az adott specifikus sejtek előfordulását. Eredményként, sikeresen demonstráltuk a gépi tanulásos metódusok hatékony alkalmazását fenotipizálást segítő flexibilis szoftverek implementálásával. Ezáltal elértük a kutatásunk célját, hogy javítsunk az idő-hatékonyságán a biológiai képi alapú adat analízisével foglalkozó szakembereknek. Emellett demonstráltuk azt, hogy egy előrehaladott gépi tanulásos módszert, a mélytanulást alkalmazva különböző megközelítéseknél, képesek vagyunk a magas pontosságú sejt-detekcióra. Ezáltal bizonyítva a mélytanulás magas potenciálját, amivel képes támogatni az automatizációt és helyettesíteni az emberi feladatokat az egy-sejt analízisben.