MERFISH细胞分割
算法的实现及优化
Realization and Optimization of algorithm
for cellular segmentation of MERFISH
汇报人
李杨 PB19000045
2022·Jun 11th
选题背景
Background of Topic Selection
研究方法及成果
Research Methods and Application
总结与致谢
Summary and Thanks
#01
#02
#03
目录
CONTENTES
选题背景
Background of Topic Selection
#01
背景-中心法则
遗传信息从DNA到RNA到蛋白质
“蛋白质是生命活动的主要承担者”
高通量的确定细胞中蛋白质很难，但可以高通量的确定细胞中的RNA
背景-转录组
Bulk RNA-seq
Single cell transcriptome
Spatial transcriptome
空间转录组技术可以同时获得细胞的基因表达量和空间位置信息
Nature methods 2020
6
空间转录组
Anjali Rao et al., Nature Review, 2021
当前主流的空间转录组技术可以简单分为基于成像和基于NGS-测序两类
Patrik Ståhl
7
MERFISH
MERFISH全称多重抗误差荧光原位杂交, 设计特定序列的荧光标记探针进行原位杂交，能够实现单细胞水平的多重RNA空间分布分析。
实验产生的空间转录组数据，通常是同一条样品间隔一定高度成像，但是一般都只取一个合适的焦平面来分析。
庄小威
8
上游分析现存问题
准确的划分荧光信号到细胞
同张切片，不同焦平面的联合分析
9
传统的分水岭算法：适用于较为简单、轮廓明显的图像，不能满足细胞荧光成像数据分析的较高精度要求。
研究现状
‘准确的’划分荧光信号到细胞
不同焦平面的联合分析
没有，现在只能选择成像最清楚的一个焦平面
研究方法及成果
Research Methods and Application
#02
怎么来准确划分细胞边界？
划分荧光信号-细胞分割
Step·01
分别对三种最新的细胞分割工具进行复现及准确度比对
Step·02
制作pipeline，以及调整参数
选取三种基于深度学习的细胞算法，
对其分割效果进行比对，并且针对效果最好的工具开发简易分析流程及下游分析工具
准确的划分荧光信号到细胞
同张切片，不同焦平面的联合分析
13
三种最新方法的尝试
原始图片 预测结果
√
√
×
With Li Linzhe, Wang Rirui
14
在准确率，召回率，f1分数上，DeepCell都显著优于CellPose.
DeepCell vs CellPose
| 精确率 | 召回率 | 平均IoU |
CellPose | 41.3356% | 0.2934% | 0.4638 |
DeepCell | 61.0845% | 0.4583% | 0.5953 |
15
比对
IoU =
+ +
金标
预测
Greenwald, N.F., Miller, G., Moen, E. et al. Nat Biotech
假阳性
真阳性
真阴性
16
在准确率，召回率，f1分数上，DeepCell都显著优于CellPose.
DeepCell-最佳细胞分割方法
选择
应用
Pipeline
17
流程 —“Easy Run”
加载库
读取Deepcell包
设置
对应的运行参数
数据预处理
读取待处理图像
图像分割
对细胞图像进行边界分割，将分割结果保存在指定路径
下游分析
将分割结果与Celltrack等
下游分析关联
Pipeline
18
Pipeline
参数展示
怎么把焦平面联合起来分析？
Step·03
设计算法实现Cell-Track，对不同高度切片的细胞进行追踪，保证同一个细胞具有相同的预测标记。
不同焦平面的联合分析
通过计算质心距离的方法，
将不同焦平面相同细胞标记出来。
将数据变成单细胞转录组的数据
准确的划分荧光信号到细胞
同张切片，不同焦平面的联合分析
21
Cell track-设计思想
75
%
提高产能
相比于传统方法，可有效提高工业化产能
请在此输入具体的内容，内容应当精炼简洁，便于读者快速把握信息。
适当对内容进行分段，可增加信息的可阅读性。
52
%
提高材料转化率
相比于传统方法，可有效提高材料转化的效率
请在此输入具体的内容，内容应当精炼简洁，便于读者快速把握信息。
适当对内容进行分段，可增加信息的可阅读性。
基于分割结果计算细胞质心
距离<阈值 继承标签
距离>阈值 新建标签
计算相邻两层细胞质心距离矩阵
计算两层间
质心距离
阈值
对每一个焦平面（z-stack）的细胞进行追踪，保证逐帧的同一个细胞具有相同的预测标记。
22
Cell track
由 deepcell_pipeline 命令行输入指令，生成由mask组成的动态图片gif，且可以指定帧数；也可以使用各种参数，由mask生成3D预测结果，直观显示 cell track 对测序数据整合分析的作用。
with wang rirui
总结与致谢
Summary and Thanks
#03
24
总结
工具比对
比对Deepcell、Cellpose、DSB三种工具，选择最佳。
制作快速运行的pipeline软件，并与下游分析相关联。
开发追踪算法，将多高度数据综合分析，得到3D信息。
准确的划分荧光信号到细胞
同张切片，不同焦平面的联合分析
DeepCell+EasyRun
简单
准确
更多的信息
真正的“空间”
基于成像的空间转录组
CellTrack
25
展望
工具比对
制作快速运行的pipeline软件，并与下游分析相关联。
准确的划分荧光信号到细胞
不同焦平面的联合分析
简单
准确
更多的信息
真正的“空间”
基于成像的空间转录组
感谢唐爱辉老师、瞿昆老师提供的实验室平台以及对项目方向的指导；
感谢蒋辰师兄在项目推进过程中的指导和帮助，以及陈鎏师兄提供的湿实验数据；
感谢实验室所有参与空间转录组分析的同学为本项目共同做出的努力。
THANKS
For Your Attention
[1]Greenwald, N.F., Miller, G., Moen, E. et al. Whole-cell segmentation of tissue images with human-level performance using large-scale data annotation and deep learning. Nat Biotechnol 40, 555–565 (2022). https://doi.org/10.1038/s41587-021-01094-0
[2] Bannon, D., Moen, E., Schwartz, M. et al. DeepCell Kiosk: scaling deep learning–enabled cellular image analysis with Kubernetes. Nat Methods 18, 43–45 (2021). https://doi.org/10.1038/s41592-020-01023-0
[3]Stringer, C., Wang, T., Michaelos, M. et al. Cellpose: a generalist algorithm for cellular segmentation. Nat Methods 18, 100–106 (2021). https://doi.org/10.1038/s41592-020-01018-x
[4] Caicedo JC, Goodman A, Karhohs KW, Cimini BA, Ackerman J, Haghighi M, Heng C, Becker T, Doan M, McQuin C, Rohban M, Singh S, Carpenter AE. Nucleus segmentation across imaging experiments: the 2018 Data Science Bowl. Nat Methods. 2019 Dec;16(12):1247-1253. doi: 10.1038/s41592-019-0612-7. Epub 2019 Oct 21. Erratum in: Nat Methods. 2020 Feb;17(2):241. PMID: 31636459; PMCID: PMC6919559.
参考文献