블로그

Oct 09, 2023

깊은

커뮤니케이션 생물학 볼륨

커뮤니케이션 생물학 6권, 기사 번호: 241(2023) 이 기사 인용

1050 액세스

2 알트메트릭

측정항목 세부정보

종종 매우 과소평가되는 바이오이미징의 주요 문제 중 하나는 차별 또는 회귀 작업을 위해 추출된 특징이 더 광범위한 유사한 실험 세트에 대해 유효한지 여부 또는 이미지 획득 프로세스 중에 예측할 수 없는 교란이 있는 경우에 유지되는지 여부입니다. 이러한 문제는 블랙박스 설명자(심층 기능)와 연구 중인 생물학적 개체의 표현형 특성 사이에 선험적으로 알려진 관계가 부족하기 때문에 딥 러닝 기능의 맥락에서 해결될 때 훨씬 더 중요합니다. 이와 관련하여 사전 훈련된 CNN(Convolutional Neural Networks)에서 제공되는 것과 같은 설명자의 광범위한 사용은 이러한 설명이 명백한 물리적 의미가 없고 불특정 편견, 즉 세포 표현형에 의존하지 않고 오히려 밝기나 질감 변화, 초점 이동, 자가형광 또는 광표백과 같은 획득 아티팩트에 의존합니다. 제안된 Deep-Manager 소프트웨어 플랫폼은 불특정 교란에 대한 민감도가 낮으면서 동시에 식별력이 높은 기능을 효율적으로 선택할 수 있는 가능성을 제공합니다. Deep-Manager는 수동 기능과 심층 기능 모두의 맥락에서 사용할 수 있습니다. 이 방법의 전례 없는 성능은 화학 요법 관련 유방암 세포 사멸 조사에서 손으로 만든 녹색 형광 단백질 강도 기능을 선택하는 것부터 심층 전이 학습의 맥락과 관련된 문제를 해결하는 것까지 5가지 사례 연구를 통해 입증되었습니다. https://github.com/BEEuniroma2/Deep-Manager에서 무료로 제공되는 Deep-Manager는 다양한 바이오 이미징 분야에 사용하기에 적합하며 새로운 이미지 획득 섭동 및 양식을 통해 지속적으로 업그레이드되도록 고안되었습니다.

재현성은 생물의학 연구에서 주요 관심사이며, 특히 인간 건강을 개선하기 위한 미래 임상 치료법을 위한 강력한 기반 구축을 목표로 할 때 더욱 그렇습니다. 생물학적 데이터는 주로 통제할 수 없는 실험 매개변수로 인해 매우 가변적입니다. 이는 정량 분석을 위한 생체 이미지 획득의 경우 특히 극적입니다. 동일한 현미경, 동일한 설정, 동일한 광원 및 동일한 셀 지지대를 사용하여 이미지를 획득하지 못한 경우 표준화 방법을 구현하지 않으면 이러한 이미지를 쉽게 비교할 수 없지만 신호의 예상 역학을 변경할 수 있습니다. 이는 강력한 AI 기반 이미지 분석 도구와 같은 계산과학 방법을 생물학에 적용하는 데 큰 한계가 있습니다.

이와 관련하여, 특정 질병 또는 보다 일반적으로 조사 중인 측면과 최적으로 관련된 이미지 특징의 하위 집합을 식별하는 것은 여전히 ​​미개척 문제이며, 특히 이미지 기반 분류 작업에서 종종 과소평가됩니다. 수동으로 만든 기능 또는 블랙박스 기능의 하위 집합에서 실행되는 분류기의 성능은 일반적으로 확장성이 없으며 일반적으로 분류기 구성에 사용되는 데이터세트 이외의 데이터세트에 사용할 때 재현성과 일반화가 부족하여 급격히 감소합니다3. 주된 이유는 특징 선택 단계에 사용할 수 있는 실험 샘플이 일반적으로 부족하거나 동일한 생물학적 조건 내에서 발생하는 허용 가능한 변형을 포괄할 만큼 일반적이지 않기 때문입니다. 실제로, 더 작은 실험 세트에서 얻은 결과가 보다 일반적이고 독립적인 과다한 사례로 확장되면 그림 1(왼쪽, 빨간색 분기)에 표시된 것처럼 성능이 급격히 저하될 것으로 예상됩니다. 직접 제작한 기능이나 심층 전이 학습(DTL) 기능4,5(즉, 사전 훈련된 CNN(Convolutional Neural Network)에서 오는 설명자)의 맥락에서든 이종에 비해 매우 큰 유효성을 보장하는 기능을 선택하는 것이 필수적입니다. 결과의 적절한 대표성과 일반화 가능성을 갖춘 생물학적 실험. 이 측면은 특히 DTL 기능의 맥락에서 과소평가되어 왔으며, 두 가지 다른 주요 문제인 기능 차원성(주어진 이미지에 대한 수천 개의 기능)과 중복성(많은 기능이 강하게 연관되어 있음)을 해결해야 합니다. 가장 일반적인(즉, 유효한) 특징을 선택하는 방법보다는 추출할 특징의 수를 어떻게 줄이는지에 주로 관심이 집중되어 왔습니다. 생체의학 이미지에서 가장 대표적인 설명자(수작업 및 DTL)를 선택하는 것은 쉬운 과정이 아니며 특징이 세포 표현형이 아니라 밝기, 텍스처 아티팩트, 초점 변경에 의존하는 위험이 매우 높습니다. , 자가형광 및 기타 예측할 수 없는 장애가 발생합니다. 이 문제를 해결하기 위해 우리는 여기에 Deep-Manager(DM)(그림 1의 파란색 분기)라는 플랫폼을 제시합니다. 이 플랫폼은 맞춤형 기능으로 추출한 후 또는 이후에 주어진 분류 작업에 가장 적합한 기능을 식별하고 실질적으로 선택할 수 있습니다. 주어진 사용자 정의 사전 훈련된 DL 네트워크에 의한 전송. 심층이라는 용어는 효율적인 기능 선택 문제가 해결되지 않았고 편향 위험이 큰 심층 기능을 명시적으로 나타냅니다3. 그러나 이 작업에서 입증된 바와 같이 플랫폼은 생체의학 이미지에서 일반적으로 정량화되는 수작업 강도 및 텍스처 기능에서도 실행될 수 있습니다. 따라서 DM은 생물학자가 일상 업무에서 합리적으로 선택된 특징의 일반적인 타당성을 확인하는 데 큰 도움이 될 수 있습니다. DM 플랫폼은 세포/조직 개체의 특성을 구체적으로 나타내는 추출된 특징을 식별하고 훈련 데이터 세트에서 의도치 않게 발생하는 비특이적인 거시적 변화를 폐기합니다. 이는 이미지 획득 프로세스가 매우 복잡하고 실제적인 반복성 한계에 있을 때 매우 중요합니다(예: 측정된 녹색 방출 강도가 특정 이벤트와 상관관계가 있습니까, 아니면 단순히 자가형광 현상과 관련이 있습니까? 낮은 강도 수준에서 대답은 사소하지 않습니다. ). 예를 들어, 살아있는 세포 생물학적 실험6에서 위상차 투과광 또는 형광 시간 경과(TM)를 사용할 때 획득 과정은 길 수 있으며(예: 며칠) 획득 조건을 전체 기간 동안 제어하기 어렵습니다. 현미경7,8. 비디오 시퀀스의 실험 내 이질성뿐만 아니라 획득 설정의 제어되지 않은 변경으로 인한 실험 간 변동도 추출된 특징의 유효성이 낮기 때문에 잘못된 결론을 내릴 위험이 높습니다. 이러한 효과는 인식 모델의 오류와 오해의 소지가 있는 생물학적 또는 임상적 결론(예: 사실이 아닌 약물 반응)을 유발합니다. 이러한 점에서 DM 플랫폼은 DTL 신경망이나 맞춤형 수작업 설명자에서 추출한 모든 특징 중에서 교란에 대한 민감도가 낮고 동시에 식별력이 높은 특징을 효율적으로 선택할 수 있습니다(그림 1). 파란색 지점). 훈련 데이터 세트에 다양한 성능 저하 테스트를 적용한 후(그림 1 오른쪽 확장), 특징은 판별력(DP)과 성능 저하에 대한 민감도(SENS)로 특성화되며, 이전 DP 값의 상대적 차이로 측정됩니다. 및 분해 주입 후(자세한 내용은 방법 참조) 그런 다음 다중 임계값 접근 방식을 사용하여 다른 기능 그룹(그림 1의 낮은 DP 및/또는 고감도, 녹색 및 파란색 점)에서 높은 DP 및 낮은 SENS(그림 1 파란색 분기의 청록색 점)를 갖는 기능을 분리합니다. 파란색 지점). 선택한 기능은 사용자가 제안한 분류 작업에서 사용할 수 있습니다. 여기서는 다른 세트에 대한 DP를 평가하여 선택한 기능의 유효성을 확인하기 위해 레이블이 지정된 이미지의 독립적인 테스트 세트인 테스트 데이터 세트를 업로드하라는 요청을 받습니다( 그림 1).