cp_measure: API-first feature extraction for image-based profiling workflows
Alán F. Muñoz (1), Tim Treis (2), (1), Alexandr A. Kalinin (1), Shatavisha Dasgupta (1), Fabian Theis (2), Anne E. Carpenter (1), Shantanu Singh (1) ((1) Broad Institute of MIT and Harvard, United States, (2) Institute of Computational Biology, Helmholtz Zentrum München, Germany)
生物图像分析传统上侧重于测量细胞或其他实体感兴趣的特定视觉特性。 获得越来越大吸引力的补充范式是基于图像的剖析 - 量化许多不同的视觉特征,以形成全面的配置文件,可以揭示细胞状态,药物反应和疾病机制中的隐藏模式。 虽然CellProfiler等现有工具可以生成这些功能集,但它们对自动化和可重复分析构成了重大障碍,阻碍了机器学习工作流程。 这里我们介绍了 cp_measure,一个 Python 库,它将 CellProfiler 的核心测量功能提取到用于程序化特征提取的模块化 API 优先工具中。 我们证明 cp_measure 功能与 CellProfiler 特性保持高保真度,同时实现与科学 Python 生态系统的无缝集成。 通过3D星形胶质细胞成像和空间转录组学的应用,我们展示了cp_measure如何实现可重复的、基于图像的自动分析管道,这些管道可以有效地扩展用于计算生物学中的机器学习应用。
Biological image analysis has traditionally focused on measuring specific visual properties of interest for cells or other entities. A complementary paradigm gaining increasing traction is image-based profiling - quantifying many distinct visual features to form comprehensive profiles which may reveal hidden patterns in cellular states, drug responses, and disease mechanisms. While current tools like CellProfiler can generate these feature sets, they pose significant barriers to automated and re...
