对3D MCF7微组织进行机器学习辅助高内容成像分析,以预测雌激素效应
Hui Li1,2, Haitham Seada3, Samantha Madnick3
1College of Pharmaceutical Sciences, Center for Drug Safety Evaluation and Research of Zhejiang University, Zhejiang University, 866 Yuhangtang Rd, Hangzhou, 310058, China. hui_li@zju.edu.cn.
Scientific reports
|February 5, 2024
概括
这项研究引入了一种新的3D微组织成像方法,用于内分泌干扰化学物质 (EDC) 查. 机器学习准确地识别了雌激素EDC,为风险评估提供了一个有希望的框架.
科学领域:
- 毒理学 毒理学 毒理学
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
背景情况:
- 内分泌干扰化学物质 (EDC) 存在重大环境和健康风险.
- 目前用于EDC的高通量选方法面临着许多未表征化学品的挑战.
- 三维 (3D) 细胞培养为研究化学效应提供了更具生理相关性的模型.
研究的目的:
- 开发和验证用于内分泌破坏性化学物质 (EDC) 查的3D微组织成像和分析管道.
- 建立一个机器学习模型,根据定量成像特征对EDC暴露进行分类.
- 建立一个框架,用先进的成像和计算方法评估雌激素EDC风险.
主要方法:
- 使用MCF-7乳腺癌细胞形成3D微组织.
- 微组织暴露于模拟内分泌干扰化学物质:雌醇 (E2) 和甲三醇 (PPT).
- 建立一个3D成像和图像分析管道,以提取定量特征.
- 使用差异成像特征开发机器学习分类模型.
- 创建深度学习辅助软件,用于自动化光线形成分析.
主要成果:
- 为暴露于雌激素的微组织建立了一个强大的3D成像和分析管道.
- 一个机器学习模型准确地预测了E2和PPT暴露,具有高AUC-ROC值 (0.9528和0.9513).
- 自动化软件有效地描述了微组织的光线形成,包括数量和体积.
- 综合方法反映了雌激素受体 (ER) 信号的复杂性.
结论:
- 该研究提出了一种综合方法,将图像特征分析和EDC风险评估的定量表征结合起来.
- 开发的方法为评估雌激素EDC提供了一个有希望的概念框架.
- 这种方法增强了对复杂生物系统中功能ER信号的理解.
