具有铁亡形态的DLBCL细胞可以通过深层卷积神经网络检测到
Pyry Kotkaranta1, Mikko Chan1, Tero Vuolio1
1Translational Medicine Research Unit, University of Oulu, Oulu, Finland.
Biomedicine & pharmacotherapy = Biomedecine & pharmacotherapie
|December 25, 2024
概括
研究人员开发了一种深度学习模型,通过识别特定的细胞膜变化来检测细胞死亡过程 - - 铁亡. 这种人工智能工具提供了一种比传统方法更快的替代方法,用于研究像扩散大B细胞淋巴瘤这样的癌症中的铁化.
科学领域:
- 生物医学工程 生物医学工程
- 癌症研究 癌症研究
- 计算生物学 计算生物学
背景情况:
- 扩散性大B细胞淋巴瘤 (DLBCL) 显示出对铁亡的敏感性.
- 目前的铁死检测方法,如流细胞计,耗时且劳动密集.
- 细胞膜泡形成是铁灭症特异性的形态指标.
研究的目的:
- 开发一个深层卷积神经网络 (CNN) 用于通过细胞膜囊泡检测铁.
- 为了验证CNN在不同癌症细胞系中识别铁亡的有效性.
- 为了将人工智能检测到的膜水泡与已确定的铁死标志物相关联.
主要方法:
- 开发一个深层卷积神经网络 (CNN) 用于基于图像检测细胞膜水泡.
- 使用布氨酸硫胺和谷氨酸剥夺,伊米达基埃拉斯 (IKE) 和奥拉诺芬来诱导铁.
- 使用费罗斯塔丁-1和光激活细胞分类 (FACS) 验证ferroptosis诱导和细胞膜变化.
- 使用BODIPY-C11氧化脂类物种通过FACS.测量脂质过氧化.
主要成果:
- 该CNN的开发是为了识别ferroptosis诱导的细胞膜水泡.
- 布氨酸硫胺治疗增加了泡细胞从2%增加到38% (p < 0.001),由费罗斯塔丁-1.1逆转.
- IKE和奥拉诺芬治疗剂量依赖增加了水泡细胞 (分别p < 0.05和p < 0.0001).
- 随着IKE (p < 0.01) 和auranofin (p < 0.05) 治疗,BODIPY-C11氧化脂质水平显著增加,证实了铁亡.
结论:
- 一种深度学习方法有效地检测出特定于ferroptosis的细胞膜泡.
- 这种人工智能驱动的方法显示出在癌症研究中快速有效的铁灭评估的前景.
- 这些发现支持细胞膜泡作为各种癌症类型中铁亡的可靠指标.
