vivoBodySeg:基于机器学习的分析C.elegans在体内固定化Chip用于自动化发育毒性测试

科学领域:

• 毒理学 毒理学 毒理学
• 发展生物学 发展生物学
• 生物信息学是一种生物信息学.

背景情况:

• 发育毒性 (DevTox) 测试传统上依赖于大型动物模型.
• 新方法方法 (NAM) 正在开发中,以提高毒性测试的效率并减少动物使用.
• 凯诺拉布迪斯 (C. elegans) 具有快速毒性查的优势,但缺乏高通量次致命的DevTox能力.

研究的目的:

• 开发和验证使用C. elegans.进行低致死性发育毒性 (DevTox) 研究的高通量,自动化平台.
• 利用微流体设备和先进的图像分析来快速表型化C. elegans.
• 为了能够在开发过程中更快,更有效地评估化学毒性.

主要方法:

• 使用大型微流体装置 (vivoChip) 进行大约1000种C. elegans的高分辨率3D成像.
• 开发了一个2.5D U-Net架构 (vivoBodySeg) 用于图像中C. elegans的自动细分.
• 实施了一个全自动化平台,用于快速分析数据和多个身体参数的表型.

主要成果:

• 在C. elegans细分方面取得了高精度,平均子得分为97.80.
• 自动化平台在35分钟内分析了大型数据集 (36GB),比手动分析快约140倍.
• 展示了高度可复制的DevTox参数 (4-8%CV) 并确定了基于自光的新型表型.

结论:

• 开发的自动化平台显著提高了基于C. elegans的发育毒性测试的吞吐量和效率.
• 这种新的方法能够对化学物质对发展的影响进行强大,高通量的评估.
• 该方法为次致命的DevTox研究提供了可行的替代方案,支持NAMs的评估.