通过使用斑马鱼胚胎的行为分析,以深度学习辅助检测精神活性水污染物

科学领域:

• 环境科学 环境科学
• 毒理学 毒理学 毒理学
• 计算生物学 计算生物学

背景情况:

• 精神活性化合物的水污染威胁着生态系统和人类健康.
• 创新,灵敏和具有成本效益的检测方法对于环境监测至关重要.

研究的目的:

• 开发和评估一种深度学习模型,使用斑马鱼胚胎行为数据识别和分类水污染物.
• 评估将斑马鱼行为表型与人工智能结合用于环境毒理学的有效性.

主要方法:

• 斑马鱼胚胎被暴露在17种精神活性化合物中的1和10μg/L.
• 在受精后5天和6天 (dpf) 记录了运动行为.
• 包括ResNet101在内的深度学习模型在六个不同的运动轨道数据集上进行了训练和评估.

主要成果:

• 该ResNet101模型在使用1分钟轨道数据集以6dpf的速度对污染物进行分类时,达到65.35%的准确性.
• 解释性分析证实了该模型的重点是相关的行为特征.
• 该研究表明了这种人工智能驱动的方法在污染物检测方面的潜力.

结论:

• 将斑马鱼胚胎行为分析与深度学习相结合,为水污染物检测提供了一种环保和经济的方法.
• 这种方法为水质监测提供了一个新的视角,并补充了现有的分析技术.
• 这些发现有助于推进环境毒理学研究和水污染控制战略.