【技术实现步骤摘要】
本专利技术涉及生物信息，特别是涉及一种基于条件扩散模型的细胞荧光图像生成方法、模型及应用。
技术介绍
1、蛋白质在细胞内所处位置被称为亚细胞位置，这些位置为蛋白质生物学功能地发挥提供了特定的理化环境。蛋白质所处的亚细胞位置并不都是静态的，它们需要在不同的亚细胞位置之间流动来执行其功能，此外，有些蛋白质具有多种功能，也需要具有不同条件的理化环境。这样一些存在于两种或以上的亚细胞结构被称为多标记蛋白。据统计，一半以上的人体蛋白质属于多标记蛋白。多标记蛋白在不同亚细胞结构中的定量分布比例是研究蛋白质动态行为和异常表达的基础。
2、免疫荧光显微图像是一种广泛使用的在亚细胞水平上展现蛋白质空间分布的数据源。很多研究使用机器学习方法自动解析亚细胞位置模式，然而，大多研究只进行了定性分类，只有少数研究试图识别蛋白质的定量分布。主要原因在于缺少定量标记的数据，人工进行定量标记成本高且效率低。虽然目前的一些基于深度学习的生成模型已经用于模拟细胞结构和蛋白质分布，条件性地生成细胞图像，例如：（1）u-net（c. ounkomol, s.seshamani, m. m. maleckar, f. collman, and g. r. johnson, “label-freeprediction of three-dimensional fluorescence images from transmitted-lightmicroscopy,” nature methods, vol. 15, no. 11, pp. 917-920, s
3、但是，以上模型所生成的细胞图像中的荧光点都只聚焦于单个亚细胞位置，或是对亚细胞位置与细胞结构图像的空间关系进行建模。目前还没有一种方法能够生成具有不同亚细胞位置定量表达的免疫荧光图像。
技术实现思路
1、针对上述问题，本专利技术提供一种基于条件扩散模型的模型，利用该模型能够生成不同亚细胞位置蛋白质定量表达的免疫荧光图像，并且能够同时评价保真性和多样性的指标。
2、为了达到上述目的，本专利技术提供了一种基于条件扩散模型的模型，包括尺寸优化模块、图像生成模块、学习模块和弱化模块；
3、所述图像生成模块包括扩散模型、生成对抗网络，所述生成对抗网络包括生成器、鉴别器，所述生成器用于输入前向蛋白图像，所述前向蛋白图像由蛋白图像经所述扩散模型的前向加噪过程、卷积层处理后得到，所述鉴别器用于输入真实图像和虚假图像、鉴别所述真实图像和所述虚假图像，所述虚假图像由所述生成器输出的虚假0步蛋白图像经所述扩散模型的逆向采样过程处理后得到；
4、所述生成器包括编码器、解码器、自注意模块、小波变换嵌入模块；所述编码器包括若干常规残差块，所述解码器包括若干常规残差块，所述自注意模块设于所述编码器与所述解码器之间，所述小波变换嵌入模块包括小波变换下采样网络、若干频率瓶颈块，所述频率瓶颈块分别设于所述编码器的后端、所述解码器的前端，所述小波变换下采样网络包括若干小波变换下采样层，所述小波变换下采样层与所述编码器的常规残差块对应设置。
5、在其中一个实施例中，所述编码器用于输入前向蛋白图像，所述解码器用于输出虚假0步蛋白图像，所述小波变换下采样网络用于输入前向加噪蛋白图像，所述前向加噪蛋白图像由蛋白图像经所述扩散模型的前向加噪过程处理后得到。
6、在其中一个实施例中，所述蛋白图像由待处理蛋白图像通过所述尺寸优化模块优化得到，所述优化通过小波分解法实现；
7、所述学习模块包括细胞结构编码网络，所述细胞结构编码网络包括频率瓶颈块、若干常规残差块，所述细胞结构编码网络的常规残差块与所述编码器的常规残差块对应设置，所述细胞结构编码网络的频率瓶颈块与所述编码器的频率瓶颈块对应设置；
8、所述弱化模块包括偏标记框架，所述弱化模块用于输出弱化标记。
9、本专利技术还提供了所述模型的构建方法，包括以下步骤：
10、优化图像：将细胞图片的待处理蛋白图像通过所述优化模块优化得到所述蛋白图像；将细胞图片的待处理细胞结构图像通过所述优化模块优化得到细胞结构图像；
11、图像生成：将所述蛋白图像输入所述扩散模型，经所述扩散模型的前向加噪过程处理后，得到前向加噪蛋白图像，将所述前向加噪蛋白图像输入所述生成器进行生成处理，得到虚假0步蛋白图像；所述虚假0步蛋白图像经过所述扩散模型的逆向采样过程处理，得到虚假图像；
12、图像鉴别：将真实图像、所述虚假图像、所述前向加噪蛋白图像输入鉴别器进行鉴别，使生成器的对抗损失、内容损失、标记损失达到最小化，使鉴别器的对抗损失、标记损失达到最小化，得到所述模型。
13、当上述损失达到最小化时，则认为此时得到的模型是符合要求的模型，利用该模型生成得到的虚假图像，可视为与真实图像等同。
14本文档来自技高网...
【技术保护点】
1.一种基于条件扩散模型的模型，其特征在于，包括尺寸优化模块、图像生成模块、学习模块和弱化模块；
2.根据权利要求1所述的模型，其特征在于，所述编码器用于输入前向蛋白图像，所述解码器用于输出虚假0步蛋白图像，所述小波变换下采样网络用于输入前向加噪蛋白图像，所述前向加噪蛋白图像由蛋白图像经所述扩散模型的前向加噪过程处理后得到。
3.根据权利要求1所述的模型，其特征在于，所述蛋白图像由待处理蛋白图像通过所述尺寸优化模块优化得到，所述优化通过小波分解法实现；
4.权利要求1-3中任一项所述模型的构建方法，其特征在于，包括以下步骤：
5.一种基于条件扩散模型的细胞荧光图像生成方法，其特征在于，该细胞荧光图像生成方法通过权利要求1-3中任一项所述的模型实现，包括以下步骤：
6.根据权利要求5所述的细胞荧光图像生成方法，其特征在于，所述优化包括以下步骤：将所述待处理蛋白图像或所述待处理细胞结构图像，通过小波变换分解，得到分解图像，将所述分解图像根据通道维度进行合并，得到蛋白图像或细胞结构图像。
7.根据权利要求5所述的细
8.根据权利要求7所述的细胞荧光图像生成方法，其特征在于，所述细胞结构特征的制备方法包括以下步骤：将所述细胞结构图像输入所述细胞结构编码网络的常规残差块，得到细胞结构编码网络常规残差结果，将所述细胞结构编码网络常规残差结果输入下一个所述细胞结构编码网络的常规残差块，直至输入所述细胞结构编码网络的频率瓶颈块，得到所述细胞结构特征；
9.根据权利要求8所述的细胞荧光图像生成方法，其特征在于，所述编码器常规残差结果为经过编码器的潜码特征图和采样特征图调整后的数据，所述细胞结构编码网络常规残差结果为经过细胞结构编码网络的潜码特征图和采样特征图调整后的数据。
10.权利要求1-3中任一项所述的模型在生成细胞荧光图像中的应用。
...【技术特征摘要】
1.一种基于条件扩散模型的模型，其特征在于，包括尺寸优化模块、图像生成模块、学习模块和弱化模块；
2.根据权利要求1所述的模型，其特征在于，所述编码器用于输入前向蛋白图像，所述解码器用于输出虚假0步蛋白图像，所述小波变换下采样网络用于输入前向加噪蛋白图像，所述前向加噪蛋白图像由蛋白图像经所述扩散模型的前向加噪过程处理后得到。
3.根据权利要求1所述的模型，其特征在于，所述蛋白图像由待处理蛋白图像通过所述尺寸优化模块优化得到，所述优化通过小波分解法实现；
4.权利要求1-3中任一项所述模型的构建方法，其特征在于，包括以下步骤：
5.一种基于条件扩散模型的细胞荧光图像生成方法，其特征在于，该细胞荧光图像生成方法通过权利要求1-3中任一项所述的模型实现，包括以下步骤：
6.根据权利要求5所述的细胞荧光图像生成方法，其特征在于，所述优化包括以下步骤：将所述待处理蛋白图像或所述待处理细胞结构图像...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。