Automatic high content screening using deep learning
Notice bibliographique
Résumé
Recently, deep learning algorithms have been used with success in a variety of domains. Deep learning has proven to be a very helpful tool for discovering complicated structures in high-dimensional and big datasets. In this work, five deep learning models inspired by AlexNet, VGG, and GoogleNet are developed to predict mechanism of actions (MOAs) based on phenotypic screens of a number of cells in dimly lit and noisy images. We demonstrate that our models can predict the MOA for a compendium of drugs that alter cells through single cell or cell population views without any segmentation and feature extraction steps. According to these results, our models do not need to fully realize single-cell measurements to profile samples because they use the morphology of specific phenomena in the cell population samples. We used an imbalanced High Content Screening big dataset to predict MOAs with the main goal of understanding how to work properly with deep learning algorithms on imbalanced datasets when sampling methods, like Oversampling, Undersampling, and Synthetic Minority Over-sampling (SMOTE) algorithms are used for balancing the dataset. Based on our findings, it is now clear that the SMOTE sampling algorithm must be part of the deep learning algorithms when confronting imbalanced datasets. High Content Screening technologies have to deal with screening thousands of cells to provide a number of parameters for each cell, such as nuclear size, nuclear morphology, DNA replication, etc. The success of High Content Screening (HCS) systems depends on automatic image analysis. Recently, deep learning algorithms have overcome object recognition challenges on tasks with a single centered object per image. Present deep learning algorithms have not been applied to images that include multiple specific complex objects, such as microscopic images of many objects such as cells in these images.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».