Protocol for machine-learning-based 3D image analysis of nuclear envelope tubules in cultured cells
Notice bibliographique
Résumé
The nuclear envelope can form complex structures in physiological and pathological contexts. Current approaches to quantify nuclear envelope structures can be time-consuming or inaccurate. Here, we present a protocol to measure nuclear envelope tubules induced by DNA double-strand breaks using a mid-throughput approach. We describe steps for the induction of these nuclear envelope structures and 3D image analysis using machine-learning-based image segmentation. This protocol can be applied to analyze various nuclear envelope structures in contexts beyond DNA repair. For complete details on the use and execution of this protocol, please refer to Shokrollahi et al. 1 • Instructions for preparing nuclear envelope tubules • Guidance on 3D imaging enables visualization of nuclear envelope tubules • Steps for quantifying nuclear surfaces using machine-learning-based segmentation • This protocol enables mid-throughput quantification of nuclear envelope tubules Publisher’s note: Undertaking any experimental protocol requires adherence to local institutional guidelines for laboratory safety and ethics. The nuclear envelope can form complex structures in physiological and pathological contexts. Current approaches to quantify nuclear envelope structures can be time-consuming or inaccurate. Here, we present a protocol to measure nuclear envelope tubules induced by DNA double-strand breaks using a mid-throughput approach. We describe steps for the induction of these nuclear envelope structures and 3D image analysis using machine-learning-based image segmentation. This protocol can be applied to analyze various nuclear envelope structures in contexts beyond DNA repair.
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 ».