Tracking one-in-a-million

Tracking one-in-a-million 是由德国于利希研究中心生物与地球科学研究所IBG-1创建的微生物单细胞追踪数据集。该数据集包含超过140万个细胞实例、29,000条细胞轨迹和14,000次细胞分裂，通过低成像间隔的相位对比成像技术记录。数据集的创建过程包括在微流控芯片设备中培养Corynebacterium glutamicum细胞，并使用半自动工作流程进行细胞分割和追踪注释。该数据集主要用于生物医学和生物技术领域，旨在解决微生物单细胞追踪中的实验参数选择问题，特别是成像间隔和最大细胞数对追踪性能的影响。

"Tracking one-in-a-million" is a microbial single-cell tracking dataset developed by the Institute of Bio- and Geosciences 1 (IBG-1) at Forschungszentrum Jülich, Germany. This dataset contains over 1.4 million cell instances, 29,000 cell trajectories, and 14,000 cell division events, recorded using phase-contrast imaging with short imaging intervals. The dataset construction workflow involves culturing Corynebacterium glutamicum cells in microfluidic chip devices, followed by cell segmentation and tracking annotation via a semi-automated process. This dataset is primarily utilized in biomedical and biotechnological research, aiming to address the challenge of experimental parameter selection in microbial single-cell tracking, particularly the effects of imaging intervals and maximum cell count on tracking performance.

搜集汇总

数据集介绍

构建方式

该数据集名为‘Tracking one-in-a-million’，由Seiffarth等人构建，旨在为微生物单细胞追踪提供大规模基准。数据集的构建过程包括在微流控芯片设备中培养Corynebacterium glutamicum细胞，并通过自动化显微镜以每分钟一次的低成像间隔记录细胞的生长过程。随后，使用Omnipose和UAT进行初步分割和追踪，再通过ObiWan-Microbi工具进行专家校正，确保高质量的细胞分割和追踪信息。最终，数据集包含了超过140万个细胞实例、29,000条细胞轨迹和14,000次细胞分裂，为微生物单细胞追踪研究提供了丰富的数据资源。

特点

‘Tracking one-in-a-million’数据集具有显著的特点，包括其庞大的规模和详细的注释信息。该数据集不仅包含了大量的细胞实例和轨迹，还特别关注了细胞分裂事件的准确记录，这对于理解微生物的生长动态至关重要。此外，数据集的构建过程中考虑了实验参数如成像间隔和最大细胞数的影响，通过实验感知度量（EATM）和鲁棒性度量（RM）来量化这些参数对追踪性能的影响，从而为方法开发和实验设计提供了宝贵的见解。

使用方法

该数据集适用于开发和评估微生物单细胞追踪算法。研究者可以利用数据集中的大量细胞实例和详细的追踪信息，训练和验证新的追踪模型。特别是，数据集中的实验感知度量（EATM）和鲁棒性度量（RM）为评估追踪算法的性能提供了标准化的工具，帮助研究者理解不同实验参数对追踪效果的影响。此外，数据集的公开性使得全球的研究者都能访问和利用这些资源，推动微生物单细胞追踪技术的发展。

背景与挑战

背景概述

微生物单细胞追踪在生物医学和生物技术应用中具有巨大潜力，能够揭示单细胞行为的关键见解。近年来，随着微生物活细胞成像（MLCI）技术的发展，研究人员能够在数十个生长中的细胞群中检测和追踪少量至数千个细胞。然而，现有的追踪基准数据集在MLCI领域并不广泛，且实验参数对追踪性能的影响尚未被充分研究。为此，Seiffarth等人在2024年创建了名为'Tracking one-in-a-million'的数据集，该数据集包含超过140万个细胞实例、2.9万个细胞轨迹和1.4万个细胞分裂，是目前公开的最大MLCI数据集。该数据集的发布不仅为MLCI领域的研究提供了宝贵的资源，还推动了实验参数对追踪质量影响的量化研究。

当前挑战

构建'Tracking one-in-a-million'数据集面临的主要挑战包括：1) 高频细胞分裂和细胞群密度增加导致的追踪复杂性；2) 相位对比显微镜下微生物细胞视觉特征难以区分，增加了追踪难度；3) 实验参数如成像间隔和最大细胞数的设定对追踪性能有显著影响。此外，数据集的构建过程中还需克服大量图像数据的自动化分割和追踪的准确性问题。这些挑战不仅反映了微生物单细胞追踪的独特性，也凸显了开发新型数据驱动方法以应对这些复杂实验条件的迫切需求。

常用场景

经典使用场景

在微生物活细胞成像（MLCI）领域，Tracking one-in-a-million数据集的经典使用场景主要集中在单细胞行为的追踪与分析。该数据集通过大规模的时间序列图像，记录了从少数细胞到数千细胞的动态生长过程，为研究微生物细胞的分裂、迁移和相互作用提供了丰富的数据支持。研究人员可以利用这些数据开发和验证新的细胞追踪算法，特别是在高密度细胞群和高时间间隔条件下的追踪性能评估。

衍生相关工作

Tracking one-in-a-million数据集的发布催生了一系列相关研究工作。首先，基于该数据集，研究人员开发了多种实验参数感知的追踪算法，显著提升了在高时间间隔和大细胞密度条件下的追踪精度。其次，该数据集促进了深度学习方法在微生物单细胞追踪中的应用，推动了图神经网络和变压器网络等先进技术在该领域的探索。此外，该数据集还激发了对微生物细胞行为动力学的深入研究，为理解微生物群落结构和功能提供了新的视角。

数据集最近研究

最新研究方向

在微生物单细胞追踪领域，最新研究方向聚焦于开发实验参数感知的高效追踪算法。随着微生物活细胞成像（MLCI）技术的进步，研究人员面临的挑战是如何在复杂的实验条件下，如高细胞密度和频繁的细胞分裂，实现精准的细胞追踪。为此，研究者们引入了实验参数感知追踪指标（EATM），这些指标能够量化实验参数对追踪性能的影响，从而推动数据驱动方法的发展。此外，通过构建大规模的公开数据集，如‘Tracking one-in-a-million’，研究者们能够评估现有追踪算法的鲁棒性，并探索新的深度学习方法，以应对MLCI实验中的独特挑战。这些研究不仅提升了细胞追踪的准确性和鲁棒性，还为生物医学和生物技术应用提供了新的工具和方法。

相关研究论文

• Tracking one-in-a-million: Large-scale benchmark for microbial single-cell tracking with experiment-aware robustness metrics

  生物与地球科学研究所，IBG-1：生物技术，于利希研究中心，德国 · 2024年