使用深度学习的蛋白质聚合物的无标签识别
Khalid A Ibrahim1,2, Kristin S Grußmayer3, Nathan Riguet2
1Laboratory of Nanoscale Biology, École Polytechnique Fédérale de Lausanne (EPFL), Lausanne, Switzerland.
Nature communications
|November 28, 2023
概括
研究人员开发了一种使用深度学习的无标签方法,用于检测活细胞中的亨廷顿病蛋白质聚合物. 这种技术避免改变蛋白质特性,提供一种更准确的方法来研究神经退行性疾病的动态.
科学领域:
- 神经生物学 神经生物学 神经生物学
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 蛋白质错误折叠和聚合是神经退行性疾病 (NDD) 的关键.
- 目前使用光标签的方法可以改变蛋白质特性和聚合特征.
- 亨廷顿病涉及到亨廷丁蛋白1 (Httex1) 的聚合.
研究的目的:
- 开发一种无标签的方法来识别和分析与神经退行性疾病相关的蛋白质聚合物.
- 在研究蛋白质聚合动态方面克服光标签的局限性.
- 为了能够对活细胞中的亨廷顿病蛋白质聚合进行高准确度分析.
主要方法:
- 利用深度学习算法进行图像分析.
- 开发了一种无标签识别NDD相关聚合物 (LINA) 方法.
- 在活细胞中未标记的Httex1聚合物的传输光图像上训练模型.
主要成果:
- 通过深度学习成功检测到未标记和未改变的Httex1聚合物.
- 在各种成像条件和Httex1结构中证明了LINA模型的稳定性.
- 能够动态测量无标签的聚合物干质量和生长过程中的面积变化.
结论:
- LINA提供了一种高速,具体和简单的方法来分析蛋白质聚合动态.
- 这种无标签的方法提供了高保真度的信息,而不会改变原生蛋白质的特性.
- 对于研究像亨廷顿病这样的NDD的病原体来说,LINA是一个有价值的工具.
