从广场光图像中对酵母线粒体进行完全自动化的形态分析
Jana Vojtová1, Martin Čapek2,3, Sabrina Willeit4
1Laboratory of Regulation of Gene Expression, Institute of Microbiology of the Czech Academy of Sciences, Vídeňská 1083, Prague, 14220, Czech Republic. jana.vojtova@biomed.cas.cz.
Scientific reports
|December 3, 2024
概括
一种新的深度学习方法精确地对酵母线粒体进行细分,使细胞健康和线粒体形态的详细分析成为可能. 这种方法揭示了在氧化应激下特定酵母菌株的新型线粒体表型.
科学领域:
- 细胞生物学 细胞生物学
- 生物物理学的生物物理.
- 生物信息学是一种生物信息学.
背景情况:
- 线粒体形态对于细胞健康至关重要,但在酵母中评估它是具有挑战性的.
- 目前用于酵母线粒体形态分析的现有方法往往复杂且耗时.
- 需要一个用户友好的,用于酵母线粒体细分和定量化的自动化方法.
研究的目的:
- 开发和验证用于细分和量化酵母线粒体形态的强大,自动化的方法.
- 将深度学习细分与传统方法进行准确性和效率的比较.
- 在氧化应激下特征特定酵母菌株的线粒体表型.
主要方法:
- 为酵母细胞重新训练了深度学习模型MitoSegNet.
- 将MitoSegNet与线粒体细分的全球值进行比较.
- 使用ImageJ/斐济和MitoSegNet的MitoA分析量化评估线粒体形态.
- 将该方法应用于缺乏MMI1/TMA19基因的酵母菌株.
主要成果:
- 重新训练的深度学习模型显著超过了全球值细分.
- 在氧化应激后的mmi1Δ酵母菌株中发现了一种新的线粒体表型.
- 该研究提供了线粒体形态学的详细定量评估.
结论:
- 为酵母线粒体形态分析建立了一个用户友好的,自动化的深度学习方法.
- 这种方法使线粒体表型的精确表征成为可能,有助于细胞健康研究.
- 这些发现提供了关于酵母线粒体对压力和遗传修饰的反应的见解.
