トランスフォーマーモデルを用いたAI手法によるヒト細胞の研究(AI Method Uses Transformer Models To Study Human Cells)

ad

2023-08-15 カーネギーメロン大学

◆カーネギーメロン大学の研究者が人工知能を活用し、細胞の研究を支援する手法を開発しました。この手法は、空間転写法と呼ばれる技術を使用し、細胞の遺伝子レベルを量化しながら細胞の位置や機能を特定することで、免疫細胞のがんへの戦闘や薬物の影響などを詳細に研究できるようになります。
◆新しいアルゴリズムは人工知能とディープニューラルネットワークを組み合わせて、細胞の構成要素を識別し、細胞の種類や位置を正確に特定します。この手法は、現在の空間転写法プラットフォームの解像度不足を補完し、稀な細胞の特定や疾患の理解に役立つ可能性があります。

<関連情報>

SCS:高分解能空間トランスクリプトミクスのための細胞セグメンテーション SCS: cell segmentation for high-resolution spatial transcriptomics

Hao Chen,Dongshunyi Li & Ziv Bar-Joseph
Nature Methods  Published:10 July 2023
DOI:https://doi.org/10.1038/s41592-023-01939-3

トランスフォーマーモデルを用いたAI手法によるヒト細胞の研究(AI Method Uses Transformer Models To Study Human Cells)

Abstract

Spatial transcriptomics promises to greatly improve our understanding of tissue organization and cell–cell interactions. While most current platforms for spatial transcriptomics only offer multi-cellular resolution, with 10–15 cells per spot, recent technologies provide a much denser spot placement leading to subcellular resolution. A key challenge for these newer methods is cell segmentation and the assignment of spots to cells. Traditional image-based segmentation methods are limited and do not make full use of the information profiled by spatial transcriptomics. Here we present subcellular spatial transcriptomics cell segmentation (SCS), which combines imaging data with sequencing data to improve cell segmentation accuracy. SCS assigns spots to cells by adaptively learning the position of each spot relative to the center of its cell using a transformer neural network. SCS was tested on two new subcellular spatial transcriptomics technologies and outperformed traditional image-based segmentation methods. SCS achieved better accuracy, identified more cells and provided more realistic cell size estimation. Subcellular analysis of RNAs using SCS spot assignments provides information on RNA localization and further supports the segmentation results.

生物工学一般
ad
ad
Follow
ad
タイトルとURLをコピーしました