Deepcell 發布首個單細胞形態學數據集

AI 模型被稱為人類基礎模型 (Human Foundation Model，HFM)，已根據數百萬個細胞圖像進行訓練，使科學家能夠在****假設方法中輕松地從未標記的細胞中生成已知和新穎形態特征的高維讀數。該軟件套件還允許創建自定義細胞分類和識別形態相似的細胞群，以對活細胞進行分類，從而實現下游分子或功能分析。
「形態變化，即使在一個樣本中，也高得驚人且細微差別。沒有任何預定的功能或類列表具有足夠的描述性來捕獲這些豐富的信息。我們相信，我們的基礎模型和自我監督學習方法在研究細胞形態方面具有無與倫比的優勢。」Deepcell 總裁、首席技術官兼聯合創始人 Mahyar Salek 說。
Deepcell 的數據發布將幫助研究界可視化 Deepcell 平臺上生成的高維單細胞形態數據。到目前為止，高含量形態學數據僅限于復用許多已知標記或用于 AI 解釋的復雜訓練方案。Deepcell 的高維形態現在很容易獲得，可用于多種樣品類型的發現，如細胞系、初級體液和分離組織樣品，以及跨應用，包括復雜樣品的表征、細胞圖譜、細胞和基因治療開發、功能篩選、癌癥生物學和干細胞研究等。
「我們發布的這三個開創性數據集使科學家能夠探索細胞生物學中一種全新的分析物。研究人員可以提出新的問題，以豐富他們對細胞生物學的理解并推動新發現，」Deepcell 首席商務官 Marc Montserrat 說。「Deepcell 正在通過提取可與其他數據結合用于泛組學方法的可操作數據，在單細胞分析中建立創新方法。」
這第一組數據發布展示了該技術如何以無標記的方式表征異質樣本中的不同細胞類型，并允許用戶分析難以用分子標記識別的特定目標細胞群。具體來說，三個人類癌癥數據集可供探索。
在第一個數據集中，Deepcell 平臺被用于人類黑色素瘤細胞系和原發性腫瘤樣本的混合物，以僅使用形態學的無標記方式識別腫瘤、免疫和基質細胞群。然后在 Deepcell 軟件套件中選擇來自該數據集的黑色素瘤腫瘤細胞群數據，并使用自定義 UMAP 重新投影，以獲得對該形態不同的亞群的額外分辨率，從而創建第二個數據集。這揭示了這些細胞內基于細微形態差異（包括色素沉著）的異質性，使用傳統方法很難識別這些差異。在最終數據集中，使用 Deepcell 無標記技術從各種人類游離腫瘤細胞 (DTC) 樣本中探索肺腫瘤微環境中免疫細胞群的形態多樣性。
Deepcell 新發布的數據集訪問地址：https://exploredata.deepcell.com/register