Előadásomban áttekintést adok a nagyléptékű fénymikroszkópos kísérletek egysejt szintű feldolgozásának számítástechnikai lépéseiről. Először egy új mikroszkópos képkorrekciós eljárást mutatok be, mely kijavítja a nem egyenletes megvilágításból származó képi hibákat, így támogatva a fényintenzitás alapú mérések helyességét. Ezután új, differenciál geometriára, energia-minimalizációs módszerekre és mesterséges intelligenciára alapuló egysejt szegmentálási módszereket ismertetek. Bemutatom az Advanced Cell Classifier (ACC) (www.cellclassifier.org) gépi tanulási szoftvert, melyet azért fejlesztettünk, hogy a képi jellemzőkből származó információ felhasználásával sejtes fenotípusokat azonosítsunk. Az ACC egy olyan interaktív felületet biztosít, mely segítségével a felhasználók hatékonyan képesek intelligens algoritmusokat sejtek automatikus fenotipizálására tanítani. Azon esetekre, ahol nem lehetséges diszkrét fenotípus kategóriák létrehozása, bemutattunk egy multi-parametrikus regresszión alapuló, eljárást, mely képes biológiai folyamatok elemzésére. A tanulási gyorsaság és a pontosság növelése érdekében egy olyan aktív tanulási sémát dolgoztunk ki, amely kiválasztja a legtöbb információval rendelkező sejtmintákat.
A fejlesztett módszerek kombinációit felhasználva különböző egysejt kinyerési stratégiákat mutattunk be. Ismertetem a frissen elért sikeres eredményeinket egysejt DNS és RNS szekvenálás és célzott elektro-fiziólógiai elemzések területén.