3D卷积神经网络预测细胞代谢途径使用的光寿命衰变数据
Linghao Hu1, Daniela De Hoyos1, Yuanjiu Lei2
1Department of Biomedical Engineering, Texas A&M University, College Station, Texas 77843, USA.
APL bioengineering
|February 29, 2024
概括
这项研究引入了一个3D CNN模型,使用NADH光终身成像准确识别癌细胞代谢途径. 这种方法可以为活细胞和体内应用进行无标签的单细胞代谢测量.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 机器学习 机器学习
背景情况:
- 减少的尼古丁胺氨酸二核酸 (NADH) 的光终身成像提供了细胞代谢变化的无标签检测.
- 解释NADH生命周期变化以了解特定的代谢途径使用仍然具有挑战性,因为复杂性.
研究的目的:
- 开发一种3D卷积神经网络 (CNN),能够使用NADH光终身成像识别癌细胞中的代谢途径使用情况.
- 为了实现可靠的,无标签的,单细胞分辨率的代谢测量.
主要方法:
- 使用3D NAD(P) H生命衰变图像培养在孤立的代谢条件下培养的MCF7乳腺癌细胞 (糖解,氧化酸化,谷氨酸分解) 来训练一个3D CNN.
- 多光子光寿命显微镜被用于获取NADH寿命图像,然后将其细分为单个细胞以进行模型输入.
主要成果:
- 3D CNN模型在根据它们对糖解,氧化酸化或谷氨酸溶解的依赖来分类癌细胞时,达到90%以上的准确性.
- 该模型成功地预测了对照和POLG突变小鼠中的巨细胞的代谢表型差异,证明了跨物种适用性.
结论:
- 将自光终身成像与3D CNNs集成,可以通过分析NADH强度模式和终身衰变动态来区分多种代谢表型.
- 这种方法消除了复杂的衰变适配的需要,为单细胞分辨率的活细胞和体内代谢测量铺平了道路.
