机器学习方法用于检测由氧化铁纳米粒子暴露引起的肝细胞染色质变化

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 毒理学 毒理学 毒理学

背景情况:

• 肝细胞染色质组织对于细胞功能至关重要.
• 氧化铁纳米粒子 (IONPs) 的使用越来越多,需要进行毒性评估.
• 检测微妙的细胞变化需要先进的分析方法.

研究的目的:

• 开发机器学习模型来检测由IONP暴露引起的肝细胞染色体组织的改变.
• 调查IONP暴露显著改变染色质质的假设.
• 评估AI在肝细胞评估中的潜力.

主要方法:

• 从小鼠肝脏组织中分析了2000个肝细胞核感兴趣区域 (ROI).
• 计算了5个纹理参数:长跑重点,短跑重点,跑长不均性和2个波形系数能量.
• 监督机器学习分类器的应用 (随机森林,梯度增强).

主要成果:

• 机器学习模型在将IONP暴露的肝细胞与对照细胞区分方面表现强.
• 在IONP暴露后观察到肝细胞染色质纹理的显著变化.
• 开发的模型成功地确定了IONP诱导的染色质变化.

结论:

• 氧化铁纳米颗粒诱导肝细胞染色质分布的实质性变化.
• 人工智能技术显示出在生理学和病理学上推进肝细胞评估的巨大潜力.
• 这项研究强调了使用人工智能和图像分析进行纳米粒子毒性评估的新方法.