跳到主要内容
检索

# 细胞分割

3 篇关联报道

订阅更新
  1. bioRxiv

    空间转录组不再先切细胞:SSAF-T用文献知识图谱直接判型,再反过来指导分割

    空间转录组分析长期依赖细胞分割,而分割边界和转录本归属容易出错;无分割方法虽绕开这一步,却往往需要外部单细胞参考或预设细胞类型数。SSAF-T把无分割的细胞类型判定与分割连成一条链:先由智能体CeLLMan依据文献知识图谱和标记基因给聚类贴标签,再把标签铺满整张组织图,并用这张图约束以细胞核为种子的分水岭分割。在Visium HD小鼠小肠、Stereo-seq小鼠脑、Xenium小鼠肾和MERFISH小鼠肝等公开数据上,其细胞类型分布与组织解剖一致,分割结果与Baysor、Cellpose可比,且运行更快。

  2. Nature Methods

    空间转录组切细胞不再靠单一分数:11种方法跨5平台,SAM总分最高、SCS覆盖校正后居首

    空间转录组的细胞分割长期缺少跨平台、带生物学指标的系统比较。一项基准在5种技术、15个数据集、约230万个细胞上评测11种图像、转录组和多模态分割方法,并引入覆盖分割质量、转录本回收、形态、表达纯度与空间组织的指标。按15项指标平均的总分,SAM最高(0.58),其后为SAM2(0.53)、BIDCell(0.52)和SCS(0.48);按分割细胞数与参考细胞数之比校正后,SCS升至首位(0.34),BIDCell与Baysor同为0.33。

  3. CALHippo 用 1 微米/像素 BigBrain 切片构建覆盖 CA1–CA4 的三类细胞标注库,并训练 UNet 密度模型推断全 CA 复合体细胞密度

    该工作基于新发布的 1 微米/像素右海马 BigBrain 切片,构建了 CALHippo——一个覆盖全部 Cornu Ammonis(CA1–CA4)亚区、带兴奋性神经元、抑制性中间神经元和胶质细胞三类显式标签的专家校验细胞级标注数据集,并配套一个低分辨率介观细胞点云图;高分辨率细胞实例通过结合基础模型分割、迭代专家修正与模型集成的人机协同流程获得,随后被投影到 20 微米/像素的低分辨率 BigBrain 空间生成类别特异监督图,用于训练基于 UNet 的密度估计模型,从而支持对整个 CA 复合体逐切片推断并采样生成类别分辨的介观细胞点云。

已读完全部报道