La vita oltre i pixel: l’apprendimento automatico ed i metodi di analisi delle immagini per HCS

L’intervento serve a presentare una panoramica dei passaggi computazionali nell'analisi di uno screening ad alto rendimento basato su una singola cellula. Nella prima parte verrà presentato il nuovo metodo di correzione delle immagini microscopiche progettato per eliminare la vignettatura e gli effetti irregolari sullo sfondo che, ove non corretti, possono contaminare le misurazioni basate sull’intensità. Parlerò anche l’Advanced Cell Classifier (ACC) (www.cellclassifier.org), un software in grado di identificare i fenotipi cellulari basati sulle caratteristiche estratte dall’immagine. Lo strumento offre all’utente un’interfaccia tramite cui è possibile sviluppare in modo efficace i metodi di apprendimento automatico per pronosticare vari fenotipi. Inoltre, grazie al toolbox Suggest a Learner (SALT) è possibile selezionare l’algoritmo ed i parametri ottimali per l’apprendimento automatico in un determinato problema di classificazione. Nei casi in cui le decisioni separate basate su cellule non sono adatte, proponiamo un metodo di regressione multi-parametrica per analizzare i fenomeni biologici permanenti. Infine, per migliorare la velocità e l'accuratezza d'apprendimento, abbiamo recentemente sviluppato uno schema di apprendimento attivo che seleziona automaticamente i campioni di cellula con il livello di informazioni più elevato.