深度生成模型、免疫荧光图像的生成方法及应用技术

本发明专利技术涉及一种深度生成模型、免疫荧光图像的生成方法及应用，涉及生物信息技术领域。该深度生成模型包括图像生成模块、弱化模块和多样化模块；图像生成模块的框架为条件生成对抗网络，条件生成对抗网络包括生成器和鉴别器，生成器包括编码器和解码器，编码器用于输入参考通道、编码得到特征数据，解码器用于输入解码数据、解码得到虚假目标图像；编码器与解码器之间的跳跃连接为设有条件门控的跳跃连接；鉴别器用于输入真实图像和虚假图像、鉴别真实图像和虚假图像。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。

【技术实现步骤摘要】

本专利技术涉及生物信息，特别是涉及一种深度生成模型、免疫荧光图像的生成方法及应用。

技术介绍

1、了解蛋白质在细胞内所处的亚细胞位置有助于了解其功能，推动相关疾病的研究。例如，位于线粒体中的蛋白质多与细胞的有氧呼吸和能量制造有关，而位于内质网中的蛋白质则大多承担着细胞内物质运输的任务。据统计，一半以上的人体蛋白质存在于两种或以上的亚细胞结构中，被称为多标记蛋白。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。

3、目前，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：(1)u-net(c.ounkomol,s.seshamani,m.m.maleckar,f.collman,andg.r.johnson,“la本文档来自技高网...

【技术保护点】

1.一种深度生成模型，其特征在于，包括图像生成模块、弱化模块和多样化模块；所述图像生成模块的框架为条件生成对抗网络，所述条件生成对抗网络包括生成器和鉴别器，所述生成器包括编码器和解码器，所述编码器用于输入参考通道、编码得到特征数据，所述解码器用于输入解码数据、解码得到虚假目标图像；所述编码器与所述解码器之间的跳跃连接为设有条件门控的跳跃连接；

2.根据权利要求1所述的深度生成模型，其特征在于，所述参考通道包括亚细胞结构图像；

3.根据权利要求2所述的深度生成模型，其特征在于，所述调整特征由所述特征数据通过所述跳跃连接得到，所述弱化标记通过所述弱化模块筛选标记得到，...

【技术特征摘要】

1.一种深度生成模型，其特征在于，包括图像生成模块、弱化模块和多样化模块；所述图像生成模块的框架为条件生成对抗网络，所述条件生成对抗网络包括生成器和鉴别器，所述生成器包括编码器和解码器，所述编码器用于输入参考通道、编码得到特征数据，所述解码器用于输入解码数据、解码得到虚假目标图像；所述编码器与所述解码器之间的跳跃连接为设有条件门控的跳跃连接；

2.根据权利要求1所述的深度生成模型，其特征在于，所述参考通道包括亚细胞结构图像；

3.根据权利要求2所述的深度生成模型，其特征在于，所述调整特征由所述特征数据通过所述跳跃连接得到，所述弱化标记通过所述弱化模块筛选标记得到，所述多样潜码由潜码通过所述多样化模块得到；所述标记为定性标记和/或定量标记；

4.根据权利要求3所述的深度生成模型，其特征在于，所述潜码由正态分布中采样得到；所述正样本潜码、负样本潜码的构建方法包括：以潜码为中心，r为半径，构建得到潜码的邻域，在所述潜码的邻域内构建得到正样本潜码，在所述潜码的邻域外构建得到负样本潜码；根据欧式距离，与所述潜码的距离小于r，则为所述潜码的邻域内。

5.根据权利要求1-4中任一项所述的深度生成模型，其特征在于，所述条件生成对抗网络的对抗损失包括生成器对抗损失、鉴别器对抗损失；所述生成器对抗损失、鉴别器对抗损失如下所示：

6.权利要求1-5中任一项所述深度生成模型的构建方法，其特征在于，包括以下步骤：将免疫荧光图像的细胞结构图...

【专利技术属性】
技术研发人员：徐莹莹，李玉，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：