DeepD&Cchl: an AI tool for automated 3D single-cell chloroplast detection, counting, and cell type clustering
Notice bibliographique
Résumé
Chloroplast density in cells varies among different types of cells and plants. In current single-cell spatiotemporal analysis, the automatic detection and quantification of chloroplasts at the single-cell level is crucial. We developed DeepD&Cchl (Deep-learning-based Detecting-and-Counting-chloroplasts), an AI tool for single-cell chloroplast detection and cell-type clustering. It utilizes You-Only-Look-Once (YOLO), a real-time detection algorithm, for accurate and efficient performance. DeepD&Cchl has been proved to identify chloroplasts in plant cells across various imaging types, including light microscopy, electron microscopy, and fluorescence microscopy. Integrated with an Intersection Over Union (IOU) module, DeepD&Cchl precisely counts chloroplasts in single- or multi-layered images, while eliminating double-counting errors. Furthermore, when combined with Cellpose, a single-cell segmentation tool, DeepD&Cchl enhances its effectiveness at the single-cell level. By counting chloroplasts within individual cells, it supports cell-type-specific clustering based on chloroplast number versus cell size, offering valuable morphological insights for single-cell studies. In summary, DeepD&Cchl is a significant advancement in plant cell analysis. It offers accuracy and efficiency in chloroplast identification, counting and cell-type classification, providing a useful tool for plant research.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».