Detaljerad beskrivning av bildanalysarbetsflödet, inklusive träningsdata för maskininlärningsmodell, för artikeln: "Phosphate starvation decouples cell differentiation from DNA replication control in the dimorphic bacterium Caulobacter crescentus", Hallgren et al. (2023; PLOS Genetics).

Detta dataset innehåller en detaljerad beskrivning av bildanalysproceduren som användes av Hallgren et al. (2023; PLOS Genetics) för att utföra mätningar av individuella celler av bakterien Caulobacter crescentus. Mer specifikt identifierar proceduren individuella C. crescentus-celler i faskontrastmikroskopibilder, annoterar deras celltyp, samt deras storlek och grundläggande morfologiska egenskaper. Proceduren kan till exempel användas för att kvantifiera förhållandet mellan antalet svärmarceller och stjälkceller i en population, mäta storleken av celler och deras stjälkar, samt uppskatta proportionen av celler som genomgår celldelning i en population. Datasetet inkluderar: (1) projektfiler för programmet ilastik, (2) Python-kod och ImageJ-macros som används för databearbetning, (3) inställningar för ’batch processing’ av bilder med ImageJ-pluginet ’MicrobeJ’, och (4) exempeldata som kan användas för att köra bildanalysen från början till slut. Projektfilerna för ilastik (.ilp-filer) innehåller ’random forest’-maskininlärningsmodellerna som används i analysen, samt de träningsdata som användes för att generera dessa modeller. ’README’-filen innehåller instruktion om hur man kan köra bildanalysproceduren från början till slut. Även om maskininlärningsmodellerna är tränade på bilder tagna under våra specifika mikroskopiförhållanden, kan informationen som presenteras här användas för att enkelt anpassa en motsvarande bildanalysprocedur i ett nytt laboratorium genom att träna nya ilastik-modeller och modifiera MicrobeJ-inställningarna. Numeriska data bakom grafer och statistiska analyser i artikeln (Hallgren et al., 2023) har även inkluderats i form av tabulärdata som ett zip-arkiv.