基于机器学习的微流体装置固定C. elegans的分析,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
• 计算生物学 计算生物学

背景情况:

• 发育毒性 (DevTox) 测试传统上使用哺乳动物模型.
• 新方法方法 (NAMs) 提供了替代方案,其中*C. elegans*显示出高通量查的前景.
• 目前的*C. elegans*DevTox方法受到低分辨率和劳动强度的限制.

研究的目的:

• 为*C. elegans*发育性毒性研究开发一个快速,高通量图像分析平台.
• 为了克服手工分析对微流体设备生成的大数据集的局限性.
• 为了能够准确地表型化非致命发育效应.

主要方法:

• 使用大规模的微流体装置 (vivoChip) 进行高分辨率的3D成像,每次实验约有1000个*C. elegans*.
• 开发了一个基于机器学习 (ML) 的图像分析平台 (vivoBodySeg),使用2.5D U-Net架构进行*C. elegans*细分.
• 在桌面PC上处理大型图像数据集 (每台设备36GB),实现自动化表型化.

主要成果:

• vivoBodySeg实现了高细分精度,子得分为97.80%.
• 该平台的数据分析速度比手工方法快140倍,每台设备在35分钟内完成分析.
• 产生了高度可重现的DevTox参数,变化系数低 (4-8%).

结论:

• 基于ML的vivoBodySeg平台能够使用*C. elegans*进行快速,高吞吐量和可重复的发育毒性测试.
• 这种方法显著提高了化学毒性评估的效率和统计能力.
• vivoBodySeg促进了C. elegans作为监管毒理学的NAM的更广泛采用.