该产品证明了我们 KapoorLabs 的专业知识，我们专注于创建尖端解决方案。我们提供定制的管道开发服务，利用我们先进的计算机视觉和人工智能工具将您的发育生物学问题转化为可发布的数据。利用我们的专业知识和资源来实现端到端解决方案，使您的研究脱颖而出。
注意：这里展示的工具和管道仅代表我们可以实现的部分部分。如需超出参考我们图书中所做内容的定制和全面解决方案，请直接与我们联系。团队已准备好提供您所需的专业知识和定制开发，使您的研究更上一层楼。请访问KapoorLabs。
本页介绍了 TrackMate 的体重校正器模块，该模块依赖于 oneat。它不包含在 TrackMate 的核心中，必须通过其自己的名为 TrackMate-Oneat 的 update site 安装。
这里提到的数字和表格可以在我们的associated publication中找到
简介
Oneat将细胞分裂事件识别为时空（TXYZ）坐标。然后，通过我们定制开发的TrackMate-Oneat插件，使用这些坐标在TrackMate轨道内施加分区。该插件可选择应用MARI（有丝分裂感兴趣角区）原理，该原理过滤分裂事件，仅保留子细胞垂直于母细胞核分裂出现的事件。
与 TrackMate 的分支链路算法相比，Oneat 集成显着改善了有丝分支检测（TrackMate 分支分支准确度 = 0.122，TrackMate-Oneat 分支正确度 = 0.328）。通过将 Oneat 预测的分支位置与数据连续性相结合，系统生成了更符合生物学真实性的分支结构，并减少了通常由 Oneat 单独产生的误差报告数量。原理几乎消除了误报，但也导致了真正主动检测的减少（图S1E）。因此，用户应根据下游分析中的具体目标和对误报的耐受程度来选择分裂检测策略——单独Oneat或Oneat结合MARI过滤。
使用 TrackMate-Oneat 进行分区检测
我们开发了一个管道，利用基于深度学习的动作分类来检测细胞分裂事件，并使用这些预测来改进细胞核跟踪。该系统的关键组件是 Oneat 分类器，该分类器经过训练，可根据图像数据的短时间序列区分有丝分裂细胞和非有丝分裂细胞。对于训练，数据集的 3D+t 核通道被分裂事件的手册注释。具体来说，通过点击工作站时间序列中分裂核的中心，在 Napari上面注释有丝分裂事件。对于每个带训练注释的划分，在单击位置周围提取3个时间帧的64 x 64 x 8体素精确，在空间和时间上以有丝分裂事件为中心。将创建一个训练正样本。为了创建无丝分裂事件样本，从无分裂细胞核中相应获取数量的随机选择的位置。这些负样本和正样本用于监督方式模型，基于DenseNet使用架构优化的二元损失分类以区分有丝分裂和无丝分裂。
为了从整个集中数据预测分割事件，经过训练的 Oneat 模型处理从预先生成的核分割中识别出的每个对象。对于每个时间点的每个分割核，通过具体以核 XYZ 质心为中心的 3 帧的 64 x 64 x 8 体素来构建时间窗口。这些模型通过 Oneat 模型，该模型将每个中心框架分类为有丝分割或无丝分割。
为了将分裂事件与数据集的跟踪数据结合起来，预测有丝分裂核的 TZYX 坐标记录在 CSV 文件中，该文件初始化 TrackMate 的 TrackMate-Oneat 扩展的输入。此步骤使用预测的分割位置在流程图上分支点。从母细胞的 16.5 µm 搜索半径中搜索适合有丝分裂细胞的子细胞，并使用 Jaqaman连接器算法优化了连接。这种基于生物学的重新链接提高了谱系跟踪的准确性和准确性，特别是在细胞分裂间隔的数据集中。
为了避免区域避免链接并确保几何合理性，该管道还采用了有丝分割感兴趣角（MARI）原理。此约束将子细胞的搜索在终点终止球的母细胞核终止的角度区域。候选子点被定义为母点终止点内的那些子点，其妊娠与候选点位置与母点终止形成不超过用户设置的阈值的无符号角。 通过限制候选女儿指定的感兴趣的角度区域内，该方法消除了不可能的连接并增强了重建谱系的生物性。这种限制在致密组织中尤其重要，其中仅仅基于距离的链接可能会导致不正确的关联。
解释这些数字
用于跟踪和分割检测的质量指标。A-B。C-J 中的分割指标基于数据集，其中每个细胞分割均经过手动注释(B)。在此数据集中，还对指定的报表进行了注释，并与表 S3 和面板 K.C-E、I 中的自动跟踪进行比较。Oneat（未与报表连接）、TrackMate-Oneat（与 TrackMate 轨迹连接的 Oneat 分割）、TrackMate-Oneat + MARI原理（为母细胞和子细胞之间的角度设置最大边界的TrackMate-Oneat）和TrackMate“本机”拓扑分割的分区检测，在TrackMate LAP链接算法中实现。F-H，J。相应的检测指标。K.手动注释的地面实况图表，由用于实验的自动跟踪分配的拓扑ID着色。 Oneat 模型结构。 A. Napari 中用于训练有丝分裂分类器的数据训练注释。 B.CNN 架构。输入数据是 3 个时间点，8 x 64 x 64 像素，以注释 ZYX+t 质心为中心。输出是分类为有丝分裂或无丝分裂的概率。
