深度学习成像分析以确定与致癌物产生相关的细菌代谢状态

科学领域:

• 微生物学 微生物学
• 生物信息学是一种生物信息学.
• 癌症研究 癌症研究

背景情况:

• 结肠直肠癌 (CRC) 是一个全球性的健康问题.
• 肠道微生物群在CRC发育中起着重要作用.
• 某些细菌,如 *Clostridium scindens*, 产生致癌性脱氧醇酸 (DCA).

研究的目的:

• 调查成像技术是否可以区分产生DCA和非产生DCA的 *C. scindens*.
• 评估基于显微镜图像的细菌代谢状态分类的深度学习模型.

主要方法:

• 在各种条件下 (单培养,共同培养) 采集了*C. scindens*的光显微镜图像.
• 测试了三种深度学习方法:全图像分类 (CNNs,ResNet),每个细胞分类和图像细分 (nnU-Net).
• 模型包括定制的CNN,预训练的DenseNet/ResNet和与DIBaS数据集集成的ResNet.

主要成果:

• 用DIBaS增强的ResNet模型实现了高精度 (0.89±0.006在单一培养中,0.86±0.004在共同培养中) 的全图像分析.
• 每个细胞的ResNet分析显示,在区分*C. scindens*状态时,准确度中等 (62-74%).
• nnU-Net细分实现了高的子系数 (87%用于*C. scindens*,74-76%用于*Bacteroides*).

结论:

• 基于图像的深度学习模型可用于识别与健康相关的细菌代谢状态.
• 这种方法可以使用显微镜来区分细菌的功能,例如DCA的产生.
• 这些发现有助于理解肠道微生物组在CRC病变发生过程中的作用.