Key points are not available for this paper at this time.
الملخص: أحد التحديات الرئيسية في فهم التنظيم داخل الخلوية هو قياس الملاحظات القابلة للتفسير للهياكل داخل الخلوية ذات الأشكال المعقدة متعددة القطع بطريقة موضوعية وموثوقة وقابلة للتعميم. هنا نقدم إطار عمل لتعلم التمثيل المناسب للشكل يستخدم موحدات تلقائية مقاومة للدوران ثلاثية الأبعاد وسحب النقاط. يستخدم هذا الإطار لتعلم تمثيلات الأشكال المعقدة متعددة القطع التي لا تعتمد على الاتجاه، ومضغوطة، وسهلة التفسير. نطبق إطار عملنا على الهياكل داخل الخلوية ذات الأشكال المنقطة (مثل بؤر تكرار الحمض النووي) والأشكال المتعددة الأشكال (مثل النويات). نقوم بمقارنة نظامنا بشكل منهجي مع الموحدات التلقائية المعتمدة على الصور عبر عدة مجموعات بيانات للهياكل داخل الخلوية، بما في ذلك مجموعة بيانات اصطناعية مع قواعد معروفة للتنظيم. نستكشف التوازنات في أداء النماذج المختلفة من خلال إجراء تقييم متعدد المقاييس عبر الكفاءة، والقدرة التوليدية، ومقاييس تميز التمثيل. نجد أن إطارنا، الذي يحتضن الشكل الأساسي للهياكل متعددة القطع، يسهل الاكتشاف غير الخاضع للإشراف للعناقيد الفرعية لكل هيكل. نوضح كيف يمكن تطبيق نهجنا أيضًا على التوصيف الظاهري باستخدام مجموعة بيانات من صور نويات بعد تغييرات دوائية. نقوم بتنفيذ وتوفير جميع نماذج تعلم التمثيل باستخدام CytoDL، حزمة بايثون للتجارب في التعلم العميق المرن والقابل للتكوين.
درس فاسان وآخرون (الجمعة) هذا السؤال.