Characterization of drug effects on cell cultures from phase-contrast microscopy images
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15110%2F22%3A73615819" target="_blank" >RIV/61989592:15110/22:73615819 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21230/22:00360157
Výsledek na webu
<a href="https://www.sciencedirect.com/science/article/pii/S0010482522008794?via%3Dihub" target="_blank" >https://www.sciencedirect.com/science/article/pii/S0010482522008794?via%3Dihub</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1016/j.compbiomed.2022.106171" target="_blank" >10.1016/j.compbiomed.2022.106171</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Characterization of drug effects on cell cultures from phase-contrast microscopy images
Popis výsledku v původním jazyce
In this work, we classify chemotherapeutic agents (topoisomerase inhibitors) based on their effect on U-2 OS cells. We use phase-contrast microscopy images, which are faster and easier to obtain than fluorescence images and support live cell imaging. We use a convolutional neural network (CNN) trained end-to-end directly on the input images without requiring for manual segmentations or any other auxiliary data. Our method can distinguish between tested cytotoxic drugs with an accuracy of 98%, provided that their mechanism of action differs, outperforming previous work. The results are even better when substance-specific concentrations are used. We show the benefit of sharing the extracted features over all classes (drugs). Finally, a 2D visualization of these features reveals clusters, which correspond well to known class labels, suggesting the possible use of our methodology for drug discovery application in analyzing new, unseen drugs.
Název v anglickém jazyce
Characterization of drug effects on cell cultures from phase-contrast microscopy images
Popis výsledku anglicky
In this work, we classify chemotherapeutic agents (topoisomerase inhibitors) based on their effect on U-2 OS cells. We use phase-contrast microscopy images, which are faster and easier to obtain than fluorescence images and support live cell imaging. We use a convolutional neural network (CNN) trained end-to-end directly on the input images without requiring for manual segmentations or any other auxiliary data. Our method can distinguish between tested cytotoxic drugs with an accuracy of 98%, provided that their mechanism of action differs, outperforming previous work. The results are even better when substance-specific concentrations are used. We show the benefit of sharing the extracted features over all classes (drugs). Finally, a 2D visualization of these features reveals clusters, which correspond well to known class labels, suggesting the possible use of our methodology for drug discovery application in analyzing new, unseen drugs.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
COMPUTERS IN BIOLOGY AND MEDICINE
ISSN
0010-4825
e-ISSN
1879-0534
Svazek periodika
151
Číslo periodika v rámci svazku
December 2022
Stát vydavatele periodika
US - Spojené státy americké
Počet stran výsledku
8
Strana od-do
106171
Kód UT WoS článku
000885971100003
EID výsledku v databázi Scopus
2-s2.0-85140305228