徕卡精准空间生物学解决方案 第五弹

Aivia 基于人工智能的图像分析软件

30个Biomarker标记的结肠腺癌组织切片,通过Cell DIVE系统进行成像,使用Aivia的多重细胞检测方案和自动聚类工具进行分析。

Aivia 采用先进的基于人工智能的软件架构，构建了一个二维至五维的图像可视化、分析与数据诠释的完整平台，能够在短短几分钟内可靠地处理和重建高度复杂的图像。分析的主观性和不易重复性是生物图像分析中需要克服的关键障碍。标准分割方法会导致不符合标准的结果，因此需要进行大量的人工干预，而这很容易出错。Aivia改变了这一切，Aivia13赋能研究者挖掘空间组学洞见。

Aivia工作流程

数据结果可视化——小提琴图。展示多组数据的分布状态以及概率密度。

降维分析是一种强大的工具,通过将数据表示为较低维度的数据，可视化和理解具有高维度的数据。Aiva中有三种维度规约方法:

1.UMAP-比t-SNE更快

2.PacMAP-比UMAP更快,并且更好地保留了高维数据的局部和全局结构

3. t-SNE

方案特点

易于使用的深度学习分割和分类工具

打开、查看和交互大型多路复用二维图像(最多100个通道，检测到超过100万个对象)

使用人工智能在大型多路复用二维图像中准确分割具有不同形态学的细胞

分析的样本多种多样,包括明场、荧光，组织全景、组织ROI和组织芯片

使用基于人工智能的表型分析或数据驱动的无监督自动表型分析发现图像中的细胞表型

使用免费的Aivia Community软件轻松打开和交互式探索来自任何地方的2到5D显微数据集

Aivia组织芯片识别与分析

明场分析

K-means聚类分析

荧光分析

Cell DIVE+Aivia绘制结肠腺癌免疫图谱

CAC内的聚类分析揭示了标记物之间的等级关系。热图表示给定聚类中标记物强度的测量值。使用AIVIA上的PhenoGraph Leiden算法识别的20种聚类，用来识别CAC组织中标记物之间的复杂和非线性关系

降维分析(UMAP)显示所有已识别的表型簇,并将这些簇分组。CAC组织内的各种标志物和标志物组以肿瘤发生增殖标志物(橙色)、髓细胞标志物(绿色)、血管标志物(红色)、淋巴标志物(粉红色)和代谢标志物(蓝色)的形式广泛聚集

科研成果发表（部分）

1.Stringer C, Wang T, Michaelos M, Pachitariu M. Cellpose: a generalist algorithm for cellular segmentation. Nature Methods.(2021)

2.Traag, V.A., Waltman, L. & van Eck, N.J. From Louvain to Leiden: guaranteeing well- connected communities. Sci Rep (2019).

3.MacQueen, J. Some methods for classification and analysis of multivariate observations. Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics.(1967).