VNC-Dist: A machine learning-based semi-automated pipeline for quantification of neuronal positioning in the <i>C. elegans</i> ventral nerve cord
Notice bibliographique
Résumé
ventral nerve cord (VNC) provides a simple model for investigating the developmental mechanisms involved in neuronal positioning and organization. The VNC of newly hatched larvae contains a set of 22 motoneurons organized into three distinct classes (DD, DA, and DB) that show consistent positioning and arrangement. This organization arises from the action of multiple convergent genetic pathways, which are poorly understood. To better understand these pathways, accurate and efficient methods for quantifying motoneuron cell body positions within large microscopy datasets are required. Here, we present VNC-Dist (Ventral Nerve Cord Distances), a software toolkit that replaces manual measurements with a faster and more accurate computer-assisted approach, combining machine learning and other tools, to quantify neuron cell body positions in the VNC. The VNC-Dist pipeline integrates several components: manual neuron cell body localization using Fiji's multipoint tool, deep learning-based worm segmentation with modified Segment Anything Model (SAM), accurate spline-based measurements of neuronal distances along the VNC, and built-in tools for statistical analysis and graphing. To demonstrate the robustness and versatility of VNC-Dist, we applied it to several genetic mutants known to disrupt neuronal positioning in the VNC. This toolbox will enable batch acquisition and analysis of large datasets across genotypes, thereby advancing investigations into the cellular and molecular mechanisms that govern VNC neuronal positioning and arrangement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».