FOCAL3D: A 3-dimensional clustering package for single-molecule localization microscopy
Notice bibliographique
Résumé
Single-molecule localization microscopy (SMLM) yields an image resolution 1-2 orders of magnitude below that of conventional light microscopy, resolving fine details on intracellular structure and macromolecular organization. The massive pointillistic data sets generated by SMLM require the development of new and highly efficient quantification tools. Density based clustering algorithms, such as DBSCAN, can provide spatial statistics on protein/nucleic acid aggregation or dispersion while explicitly identifying macromolecular clusters. The performance of DBSCAN, however, is typically dependent upon an arbitrary, or at least highly subjective, parametric tuning of the algorithm. Moreover, DBSCAN can be computationally expensive, which makes it arduous to evaluate on large image stacks. This is all the more important in 3-dimensions where there exist limited alternatives for quantifying clustering in SMLM data, and where a 2-dimensional analysis of true 3-dimensional data may give rise to image artefacts. We have developed an open-source software package in Python for both identifying and quantifying spatial clustering in 3-dimensional SMLM datasets. FOCAL3D is an extension of our previously developed, 2-dimensional, grid based clustering algorithm FOCAL. FOCAL3D provides a highly efficient way to spatially cluster SMLM datasets, scaling linearly with the number of localizations, and the algorithmic parameters may be systematically optimized so that the resulting analysis is insensitive to variation over a range of parameter choices. We initially validate the performance and parametric insensitivity of FOCAL3D on simulated datasets, then apply the algorithm to 3-dimensional, astigmatic dSTORM images of the nuclear pore complex in human osteosarcoma cells. The data and software package are available at: http://www.utm.utoronto.ca/milsteinlab/software/
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».