[论文解读] Reproducible image-based profiling with Pycytominer

Erik Serrano, Srinivas Niranj Chandrasekaran+26 more|PubMed|Nov 22, 2023

Cell Image Analysis Techniques参考文献 36被引用 18

一句话总结

Pycytominer 是一个开源的 Python 包，实现用于高含量显微成像的基于图像的分析/画像剖面，用于预测导致不良细胞损伤的干扰性化合物。

ABSTRACT

Advances in high-throughput microscopy have enabled the rapid acquisition of large numbers of high-content microscopy images. Whether by deep learning or classical algorithms, image analysis pipelines then produce single-cell features. To process these single-cells for downstream applications, we present Pycytominer, a user-friendly, open-source python package that implements the bioinformatics steps, known as "image-based profiling". We demonstrate Pycytominer's usefulness in a machine learning project to predict nuisance compounds that cause undesirable cell injuries.

研究动机与目标

• 通过实现可重复、可共享的单细胞特征画像，激发高通量显微成像图像分析。
• 提供一个可访问的软件工具，在 Python 中实现既定的基于图像的画像步骤。
• 在针对化合物诱导的细胞损伤的机器学习任务中展示 Pycytominer 的实用性。
• 突出基于图像的画像软件的局限性和实际注意事项，以指导研究人员。

提出的方法

• 将基于图像的画像步骤实现为一个开源的 Python 包（Pycytominer）。
• 处理来自高内容显微成像的单细胞特征。
• 应用该画像工作流来构建预测干扰性化合物的机器学习模型。
• 包括分析和比较以说明可重复性和可用性。
• 提供突出软件局限性与实际注意事项的表格。

实验结果

研究问题

• RQ1 Pycytominer 能否跨数据集和用户复现基于图像的画像工作流？
• RQ2 基于成像的单细胞特征在预测导致不良细胞损伤的化合物方面的能力有多强？
• RQ3 基于图像的画像软件有哪些局限性？它们如何影响可重复性和解释性？

主要发现

• Pycytominer 在一个可重复使用的 Python 包中实现了可重复的基于图像的画像。
• 该工作流支持一个机器学习任务，用于预测会伤害细胞的干扰性化合物。
• 论文包含显示基于图像的画像软件局限性的分析。
• 新增分析专门用于预测导致不良细胞损伤的化合物。
• 手稿对章节进行了整合并更新了图形以提高清晰度。