[논문 리뷰] Sequence models for continuous cell cycle stage prediction from brightfield images

L. Léger, Maxine Leonardi외 3명|ArXiv.org|2025. 02. 04.

Cell Image Analysis Techniques인용 수 3

한 줄 요약

이 논문은 라벨 프리 상태 공간의 인과적 모델과 트랜스포머 시퀀스 모델을 평가하여 라벨 프리 밝은필드 이미지에서 연속 Fucci 신호를 예측하고, 단일 프레임 기준선을 능가하며 G1/S와 같은 1시간 해상도 전이까지 가능하게 한다.

ABSTRACT

Understanding cell cycle dynamics is crucial for studying biological processes such as growth, development and disease progression. While fluorescent protein reporters like the Fucci system allow live monitoring of cell cycle phases, they require genetic engineering and occupy additional fluorescence channels, limiting broader applicability in complex experiments. In this study, we conduct a comprehensive evaluation of deep learning methods for predicting continuous Fucci signals using non-fluorescence brightfield imaging, a widely available label-free modality. To that end, we generated a large dataset of 1.3 M images of dividing RPE1 cells with full cell cycle trajectories to quantitatively compare the predictive performance of distinct model categories including single time-frame models, causal state space models and bidirectional transformer models. We show that both causal and transformer-based models significantly outperform single- and fixed frame approaches, enabling the prediction of visually imperceptible transitions like G1/S within 1h resolution. Our findings underscore the importance of sequence models for accurate predictions of cell cycle dynamics and highlight their potential for label-free imaging.

연구 동기 및 목표

• 밝은필드 이미지를 사용한 라벨 프리 세포 주기 분석을 통해 연속적인 세포 주기 상태를 추론하는 것을 목표로 한다.
• Ground-truth Fucci 신호를 가진 추적 세포의 크고 공개된 데이터 세트를 제공한다.
• 단일 프레임, 인과적, 비인과적 시퀀스 모델을 시스템적으로 비교하여 세포 주기 예측의 효율성과 정확도를 평가한다.
• 정상 및 자극 조건에서 G1/S 같은 전이의 예측 정확도와 시간적 정밀도를 정량화한다.

제안 방법

• ResNet-18 백본을 사용하여 밝은필드 이미지에서 프레임당 임베딩을 추출한다.
• 임베딩을 약 ~1M 매개변수를 공유하는 서로 다른 시퀀스 모델 헤드에 입력한다.
• 단일 프레임, 고정된 이력 인과 CNN, 상태 공간(Mamba), 그리고 트랜스포머 기반 아키텍처를 비교한다.
• Signal 정확도와 시간 정렬을 측정하기 위해 L1 손실과 동적 시간 왜곡(DTW)을 사용한다.
• 전체(M-M) 트랙, 부분 트랙, 약물 처리 데이터(Palbociclib)에서 평가한다.
• 트랜스포머에 로터리 위치 임베딩을 적용하고 학습 중 표준 데이터 증강을 사용한다.

Figure 1: Multi-modal imaging of Fucci -reporter cells reveals a continuous representation of cell cycle states. a) Time-lapse imaging of Fucci-reporting cells allows for precise quantification of cell cycle staging through the characteristic oscillations of fluorescent reporter intensities. b) Repr

실험 결과

연구 질문

• RQ1 형광 리포터 없이 시간 경과 밝은필드 이미지를 통해 연속 Fucci 신호를 예측할 수 있는가?
• RQ2 시간적 모델(인과적 및 비인과적)이 세포 주기 전이를 추적하는 데 단일 프레임 방법보다 우수한가?
• RQ3 주요 전이(G1/S, S/G2)에서의 정확도와 전이 안정성에 미치는 모델 선택의 영향은 무엇인가?
• RQ4 트랙이 일부이거나 약물로 처리된 경우 예측은 견고한가?

주요 결과

• 시퀀스 모델은 밝은필드 이미지로 Fucci 신호를 예측하는 데 단일 프레임 기준선보다 우수하다.
• 양방향 트랜스포머가 평가된 모델 중 가장 좋은 DTW 기반 정렬과 가장 낮은 L1 오차를 달성한다.
• 상태 공간 모델(Mamba)은 고정 이력 인과 CNN을 크게 능가하여 더 긴 범위의 시간 전파 이점을 보여준다.
• 브라이트필드 기반 예측은 H2B 형광 입력의 성능에 근접하여 밝은필드 데이터에 세포 주기에 대한 강한 형태학적 정보를 시사한다.
• 트랜스포머는 약물 처리 세포의 교란을 정확하게 포착하며, 양방향 모델이 분포 외 조건에서 가장 견고하다.
• 부분 트랙은 인과 모델이 비시간적 접근법보다 더 나은 정확도를 유지하는 경향이 있지만, 매우 짧은 구간에서는 이점이 감소한다.

Figure 2: Overview of prediction approach. a) We use a ResNet-18 [ He et al.(2016)He, Zhang, Ren, and Sun ] to extract single frame embeddings from a brightfield sequence which are fed into a sequence model that predicts both Fucci channels. b) Sequence models explored in this paper: Single Frame ML