首页 > 文章详情

Nat Methods：开发利用Transformer模型进行细胞分割的人工智能方法

03月17日

来源：智能肿瘤学

器官或组织切片样本的图像包含数百万个细胞。尽管在生物研究中，在原位对细胞进行分析是至关重要的一部分，但在这些图像中识别单个细胞，确定它们的功能并理解它们的组织结构十分困难。一种名为“空间转录组学”的技术通过将细胞成像与量化每个细胞内基因表达水平的能力相结合，使研究人员能够详细研究细胞的关键生物学机制，包括免疫细胞如何抗击癌症，药物及衰老对细胞的影响。当前许多空间转录组学技术的分辨率仍然不足，只能实现将几个到几十个细胞作为一组进行测量，这种分辨率对于有代表性的大细胞来说可能足够，但可能会忽略和掩盖小细胞或罕见的细胞。这些稀有的细胞可能对所研究的疾病最为关键。尽管最新的空间转录组技术实现了亚细胞分辨率，即在每个细胞的不同位置有多个测量点放置，但这也带来了新的挑战，因为每个测量点只能捕捉到少量基因信息，很难确定如何将这些测量点合并以还原特定细胞的情况。

近日，卡内基梅隆大学的研究人员陈昊、李冬顺艺和Ziv Bar-Joseph在Nature Methods杂志上发表了题为“SCS: cell segmentation for high-resolution spatial transcriptomics”的研究论文。这项研究开发了一种针对高分辨率空间转录组技术的深度学习模型，可精确定位样本中每个细胞的位置和边界。

图一: SCS算法框架示意图

这一算法被命名为亚细胞空间转录组学细胞分割（SCS），它采用人工智能和先进的深度神经网络技术，自适应地识别细胞及其组成部分。SCS利用了类似于ChatGPT等大型语言模型所采用的Transformer模型，从每个测量点周围的区域整合信息。正如ChatGPT使用段落上下文来填补单词一样，SCS方法通过整合每个测量点周围的基因捕获信息，填补缺失的信息，并确定每个测量点所属的细胞。在应用于包含数十万个细胞的大脑和肝脏样本图像时，SCS成功地准确识别了每个细胞的位置并标注了其类型。此外，SCS还能识别出其他细胞分割方法可能会忽视的细胞，例如在特定疾病或生物过程中可能发挥关键作用的体积较小的细胞。在准确细胞分割的基础上，SCS还能提供有关细胞内RNA分子亚细胞定位的信息，极大地提高了研究人员研究细胞组织的分辨率。

图2: SCS 识别的细胞（绿色）与其他方法识别的细胞（粉色）的比较

综上所述，SCS借助人工智能的最新进展，为空间转录组学的多个后续应用打开了大门。随着高分辨率空间转录组学平台越来越受欢迎和易于获取，SCS的优势在于能够为这些数据提供准确的空间解析单细胞信息，因此，SCS将成为分析此类数据的非常有用的工具，从而使研究人员能够深入探究细胞在组织内的活动，揭示底层机制。

卡内基梅隆大学的Ziv Bar-Joseph教授作为通讯作者，博士后陈昊和博士生李冬顺艺分别为该研究论文的第一作者和第二作者。

原文|Nature Methods
来源|BioArt

责任编辑：肿瘤资讯-Astrid
排版编辑：肿瘤资讯-Astrid

免责声明

本文仅供专业人士参看，文中内容仅代表智能肿瘤学立场与观点，不代表肿瘤资讯平台意见，且肿瘤资讯并不承担任何连带责任。若有任何侵权问题，请联系删除