Применение алгоритмов глубокого обучения для сегментирования одиночных клеток и фенотипического профилированияApplication of deep learning algorithms to single-cell segmentation and phenotypic profiling

Идея анализа отдельных клеток повлияла на понимание клеточных механизмов и оценку эффектов лекарств. Это стало возможным с появлением высокопроизводительных технологий секвенирования генома, протеомики, метаболомики и получения изображений. Изображения стали одним из основных источников данных о состоянии клеток, а методы глубинного обучения стали основой их анализа.  В диссертации рассматриваются различные методы анализа одиночных клеток на основе изображений, а именно обзор текущих методов сегментирования одиночных клеток (или их ядер) на основе глубинного обучения, разработано ПО для аннотации клеточных ядер с помощью глубинного обучения, произведена оценка подхода аугментации в режиме тестирования (test-time augmentation) для задачи сегментирования клеточных ядер для двух наиболее популярных архитектур для сегментирования изображений. Для оценки фенотипов клеток описан и проанализирован подход для морфологического профилирования с помощью глубинного обучения со слабой разметкой и разработано ПО DeepProfiler. Кроме того, оценена предсказательная сила для трех источников данных: представления химических структур веществ, профилей экспрессии генов, и морфологических профилей на основе изображений (полученных помощью CellProfiler) для задачи предсказания активности веществ.