深度DPC:深度学习辅助的无标签时间成像,通过控制细胞形态来发现抗纤维化化合物
Xu-Dong Xing1, Xiang-Yu Yan1, Yan-Wei Tan1
1State Key Laboratory of Natural Medicines, China Pharmaceutical University, No. 639 Longmian Dadao, Nanjing 211198, China.
Journal of advanced research
|February 26, 2025
概括
一种新的深度学习方法,深度DPC,使用无标签成像来动态监测细胞形态,使得新型抗纤维化药物的发现. 这种方法通过准TGF-β受体I,确定了Neo-Przewaquinone A作为一种强有力的药物.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
背景情况:
- 纤维化会损害器官功能,治疗选择有限.
- 目前的抗纤维化药物发现忽略了动态的形态变化.
- 数字相对比 (DPC) 图像提供无标签的动态细胞监测.
研究的目的:
- 开发一种新的深度学习方法 (deep-DPC) 用于动态细胞形态分析.
- 为了使休息和激活纤维细胞之间有区别.
- 为了促进非侵入性抗纤维性化合物的发现.
主要方法:
- 整合无标签,时间序列DPC成像与细胞形态分析和机器学习.
- 使用Harmony 4.9软件进行初步分析和神经网络进行图像分类.
- 获得的无标签时间序列DPC图像在10倍放大30分钟间隔.
主要成果:
- 使用深度DPC平台处理了来自1400个化合物的超过10万张图像.
- 鉴定出新基A作为一种强有力的抗纤维化剂.
- 新基A抑制TGF-β受体I,阻止细胞循环并保持静止状态.
结论:
- 深度DPC通过深度学习和动态形态分析为纤维化评估提供了一个有希望的策略.
- 该平台显示了在抗心肌纤维化治疗中新型治疗方法的潜力.
- 动态细胞形态监测对于有效的抗纤维化药物发现至关重要.
