AI 模型被称为人类基础模型 (Human Foundation Model，HFM)，已根据数百万个细胞图像进行训练，使科学家能够在****假设方法中轻松地从未标记的细胞中生成已知和新颖形态特征的高维读数。该软件套件还允许创建自定义细胞分类和识别形态相似的细胞群，以对活细胞进行分类，从而实现下游分子或功能分析。
「形态变化，即使在一个样本中，也高得惊人且细微差别。没有任何预定的功能或类列表具有足够的描述性来捕获这些丰富的信息。我们相信，我们的基础模型和自我监督学习方法在研究细胞形态方面具有无与伦比的优势。」Deepcell 总裁、首席技术官兼联合创始人 Mahyar Salek 说。
Deepcell 的数据发布将帮助研究界可视化 Deepcell 平台上生成的高维单细胞形态数据。到目前为止，高含量形态学数据仅限于复用许多已知标记或用于 AI 解释的复杂训练方案。Deepcell 的高维形态现在很容易获得，可用于多种样品类型的发现，如细胞系、初级体液和分离组织样品，以及跨应用，包括复杂样品的表征、细胞图谱、细胞和基因治疗开发、功能筛选、癌症生物学和干细胞研究等。
「我们发布的这三个开创性数据集使科学家能够探索细胞生物学中一种全新的分析物。研究人员可以提出新的问题，以丰富他们对细胞生物学的理解并推动新发现，」Deepcell 首席商务官 Marc Montserrat 说。「Deepcell 正在通过提取可与其他数据结合用于泛组学方法的可操作数据，在单细胞分析中建立创新方法。」
这第一组数据发布展示了该技术如何以无标记的方式表征异质样本中的不同细胞类型，并允许用户分析难以用分子标记识别的特定目标细胞群。具体来说，三个人类癌症数据集可供探索。
在第一个数据集中，Deepcell 平台被用于人类黑色素瘤细胞系和原发性肿瘤样本的混合物，以仅使用形态学的无标记方式识别肿瘤、免疫和基质细胞群。然后在 Deepcell 软件套件中选择来自该数据集的黑色素瘤肿瘤细胞群数据，并使用自定义 UMAP 重新投影，以获得对该形态不同的亚群的额外分辨率，从而创建第二个数据集。这揭示了这些细胞内基于细微形态差异（包括色素沉着）的异质性，使用传统方法很难识别这些差异。在最终数据集中，使用 Deepcell 无标记技术从各种人类游离肿瘤细胞 (DTC) 样本中探索肺肿瘤微环境中免疫细胞群的形态多样性。
Deepcell 新发布的数据集访问地址：https://exploredata.deepcell.com/register

*博客内容为网友个人发布，仅代表博主个人观点，如有侵权请联系工作人员删除。