Horváth Péter1,2,3
1 Biokémiai Intézet, HUN-REN Biológiai Kutatóközpont, Szeged, Magyarország
2 Institute for Molecular Medicine Finnország, HiLIFE, Helsinki Egyetem, Finnország
3Helmholtz München, AI4Health Institute, Németország
Ebben az előadásban áttekintést adok az egyetlen sejt alapú nagyméretű mikroszkópos kísérletek elemzésének számítási lépéseiről. Először egy újszerű mikroszkópos képkorrekciós módszert mutatok be, amely a megvilágítás és az egyenetlen háttérhatások kiküszöbölésére szolgál, amelyek korrigálás nélkül megrontják az intenzitás alapú méréseket. Új egycellás képszegmentációs módszerek kerülnek bemutatásra differenciálgeometria, energiaminimalizálás és mély tanulási módszerek alkalmazásával. Az Advanced Cell Classifier (ACC) gépi tanulási szoftverről fogok beszélni, amely képes azonosítani a sejt fenotípusait a képből kinyert jellemzők alapján. Interfészt biztosít a felhasználó számára a gépi tanulási módszerek hatékony képzéséhez a különféle fenotípusok előrejelzésére. Azokban az esetekben, amikor a diszkrét sejtalapú döntések nem alkalmasak, olyan módszert javasolunk, amely többparaméteres regressziót alkalmazhat a folytonos biológiai jelenségek elemzésére. A tanulási sebesség és pontosság javítása érdekében olyan aktív tanulási sémát javasolunk, amely a leginformatívabb sejtmintákat választja ki.
A közelmúltban kifejlesztett, lézeres mikrobefogáson és patch clampingon alapuló egycellás izolációs módszereink a fenti gépi tanulási modellek segítségével specifikus sejt(ek) kiválasztását és kinyerését használják fel. Megmutatom, hogy sikeresen végeztünk DNS és RNS szekvenálást, proteomikai, lipidomikai és célzott elektrofiziológiai méréseket a kiválasztott sejteken.