MIC‐MAC: An automated pipeline for high‐throughput characterization and classification of three‐dimensional microglia morphologies in mouse and human postmortem brain samples
Notice bibliographique
Résumé
The phenotypic changes of microglia in brain diseases are particularly diverse and their role in disease progression, beneficial, or detrimental, is still elusive. High-throughput molecular approaches such as single-cell RNA-sequencing can now resolve the high heterogeneity in microglia population for a specific physiological condition, however, the relation between the different microglial signatures and their surrounding brain microenvironment is barely understood. Thus, better tools to characterize the phenotypic variations of microglia in situ are needed, particularly for human brain postmortem samples analysis. To address this challenge, we developed MIC-MAC, a Microglia and Immune Cells Morphologies Analyser and Classifier pipeline that semiautomatically segments, extracts, and classifies all microglia and immune cells labeled in large three-dimensional (3D) confocal image stacks of mouse and human brain samples. Our imaging-based approach enables automatic 3D-morphology characterization and classification of thousands of individual microglia in situ and revealed species- and disease-specific morphological phenotypes in mouse aging, human Alzheimer's disease, and dementia with Lewy Bodie's samples. MIC-MAC is a precision diagnostic tool that allows a rapid, unbiased, and large-scale analysis of microglia morphological states in mouse models and patient brain samples.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».