[論文レビュー] Sequence models for continuous cell cycle stage prediction from brightfield images

L. Léger, Maxine Leonardi+3 more|ArXiv.org|Feb 4, 2025

Cell Image Analysis Techniques被引用数 3

ひとこと要約

論文はラベルフリーの蛍光なしブライトフィールド画像から連続的なFucci信号を予測する因果状態空間モデルとトランスフォーマー系列モデルを評価し、単一フレームのベースラインを上回り、G1/Sのような1時間解像度の遷移を可能にする。

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.

研究の動機と目的

• 蛍光標識を用いずにブライトフィールド画像から連続的な細胞周期状態を推定するためのラベルフリー細胞周期分析を動機づける。
• 追跡された細胞と地上truth Fucci信号を含む大規模で公に入手可能なデータセットを提供する。
• 単一フレーム、因果、非因果系列モデルを系統的に比較して細胞周期予測を行う。
• 通常条件および撹乱条件下でG1/Sのような遷移の予測精度と時間的精度を定量化する。

提案手法

• ブライトフィールド画像からResNet-18バックボーンを用いてフレームごとの埋め込みを抽出する。
• 埋め込みを約100万パラメータを共有する異なる系列モデルヘッドへ入力する。
• 単一フレーム、固定履歴因果CNN、状態空間（Mamba）、トランスフォーマー系アーキテクチャを比較する。
• 信号の精度と時間的整合を測るためにL1損失と動的時間歪み（DTW）を用いる。
• 全体の追跡（M-M）、部分追跡、薬物撹乱データ（Palbociclib）で評価する。
• トランスフォーマにはロータリーポジショナル埋め込みを用い、訓練時には標準的なデータ拡張を行う。

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

実験結果

リサーチクエスチョン

• RQ1 蛍光レポーターを用いずにタイムラプスブライトフィールド画像から連続的なFucci信号を予測できるか。
• RQ2 時間情報モデル（因果・非因果）は細胞周期遷移の追跡において単一フレーム手法を上回るか。
• RQ3 主要遷移（例：G1/S、S/G2）と転移様 perturbation に対するモデル選択は精度にどう影響するか。
• RQ4 追跡が部分的な場合や薬理学的撹乱時に予測は頑健か。

主な発見

• 系列モデルはブライトフィールド画像からFucci信号を予測する際、単一フレームベースラインを上回る。
• 双方向トランスフォーマーが最も良いDTW整列と最小のL1誤差を達成。
• 状態空間モデル（Mamba）は固定履歴因果CNNを大幅に上回り、長距離の時間伝播の利点を示す。
• ブライトフィールドベースの予測はH2B蛍光入力の性能に近づき、ブライトフィールドデータの細胞周期に関する形態的情報の強さを示唆。
• トランスフォーマは薬物処理細胞の撹乱を正確に捉え、双方向モデルは分布外条件下で最も堅牢。
• 部分的な追跡では因果モデルが非時系列アプローチよりも精度を保つが、非常に短いセグメントでは利点が薄れる。

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