基于机器学习的线粒体在两极化上皮细胞中的3D细分
Nan W Hultgren1, Tianli Zhou1, David S Williams2
1Department of Ophthalmology and Stein Eye Institute, University of California, Los Angeles, CA 90095, USA.
Mitochondrion
|April 10, 2024
概括
精确的三维线粒体细分对于评估细胞健康至关重要. 使用3D可训练Weka的机器学习改善了极化细胞中的线粒体网络细分,在巴菲洛米辛治疗时揭示了碎片化.
科学领域:
- 细胞生物学 细胞生物学
- 线粒体动力学的动力学
- 生物成像是一种生物成像.
背景情况:
- 线粒体形态反映了细胞的健康和功能.
- 对线粒体网络的准确细分对于定量分析至关重要.
- 复杂的线粒体网络的3D细分,特别是在极化细胞中,具有挑战性.
研究的目的:
- 开发和验证用于改进3D线粒体细分的机器学习方法.
- 为了提高超分辨率显微镜图像中的线粒体网络细分的准确性.
- 应用定量分析来研究特定细胞模型中的线粒体形态变化.
主要方法:
- 通过ImageJ的3D可训练的Weka插件使用机器学习方法.
- 将该方法应用于线粒体网络的超高分辨率显微镜图像.
- 在分化的人类视网膜色素上皮细胞 (RPE) 和其他极化上皮细胞模型上测试了该方法.
主要成果:
- 与现有方法相比,机器学习方法显著提高了3D线粒体细分的准确性.
- 在各种极化细胞类型中实现了复杂的线粒体网络的有效细分.
- 定量分析揭示了使用巴菲洛米治疗的RPE细胞中的线粒体碎片化.
结论:
- 机器学习,特别是3D可训练的Weka,为准确的3D线粒体细分提供了强大的解决方案.
- 这种方法增强了复杂生物系统中线粒体动力学和细胞健康的研究.
- 这些发现为研究人员研究线粒体功能和疾病提供了可靠的工具.
