Prediction of Cellular Identities from Trajectory and Cell Fate Information

要約

イメージングシーケンスにおける細胞の識別は、重要でありながら困難な課題である。従来の細胞同定の方法は、複雑で時間のかかる細胞追跡によるものであった。本研究では、機械学習を用いた$textit{線虫}$発生初期の細胞同定への革新的なアプローチを提案する。線虫の胚発生過程における細胞同定は、ヒトを含む高等生物に示唆を与える神経発生に関する知見を提供する。我々はランダムフォレスト、MLP、LSTMモデルを採用し、胚発生の最初の4時間に及ぶ3Dタイムラプス共焦点データセットで細胞分類精度をテストした。細胞の軌跡や細胞運命情報を含む、個々の細胞の少数の空間的・時間的特徴を活用することで、我々のモデルは、限られたデータでも91％以上の精度を達成した。また、最も重要な特徴の寄与を決定し、生物学的知識の文脈でこれらの特徴を解釈することができる。我々の研究は、単純な時空間特徴からタイムラプスイメージングシーケンスにおける細胞のアイデンティティを直接予測することに成功したことを示している。

要約(オリジナル)

Determining cell identities in imaging sequences is an important yet challenging task. The conventional method for cell identification is via cell tracking, which is complex and can be time-consuming. In this study, we propose an innovative approach to cell identification during early $\textit{C. elegans}$ embryogenesis using machine learning. Cell identification during $\textit{C. elegans}$ embryogenesis would provide insights into neural development with implications for higher organisms including humans. We employed random forest, MLP, and LSTM models, and tested cell classification accuracy on 3D time-lapse confocal datasets spanning the first 4 hours of embryogenesis. By leveraging a small number of spatial-temporal features of individual cells, including cell trajectory and cell fate information, our models achieve an accuracy of over 91%, even with limited data. We also determine the most important feature contributions and can interpret these features in the context of biological knowledge. Our research demonstrates the success of predicting cell identities in time-lapse imaging sequences directly from simple spatio-temporal features.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL