无标签预测光标记的纤维素网络
Sarah Eldeen1, Andres Felipe Guerrero Ramirez1,2, Bora Keresteci3
1Department of Mathematical, Computational, and Systems Biology, University of California, Irvine, Irvine, CA, USA.
Biomaterials research
|May 29, 2025
概括
一个新的深度学习工具从未标记的显微镜图像中预测光标签,使细胞外矩阵 (ECM) 纤维能够更好地可视化,而不损害细胞活力或引起光漂白.
科学领域:
- 生物材料科学 生物材料科学
- 显微镜的使用方法
- 计算生物学 计算生物学
背景情况:
- 光标签是可视化细胞外基质 (ECM) 纤维的标准,但可以损害细胞和光污染.
- ECM的纤维状结构对于细胞信号传递和结构支持至关重要.
- 反射共焦显微镜 (RCM) 提供高分辨率成像,但由于方向敏感性错过了纤维.
研究的目的:
- 开发一种深度学习工具,从未标记的图像堆中预测光标记的光学部分.
- 为了恢复ECM纤维,反射共聚焦显微镜 (RCM) 错过了它们.
- 为了实现纤维结构的准确3D重建,而不会损害细胞活力.
主要方法:
- 开发了一个使用完全卷积图像到图像映射架构的深度学习模型.
- 该模型经过训练,可以从3个激光波长和一个传输图像的RCM图像中预测光标签.
- 使用了结合统计和结构组件的混合损失函数.
主要成果:
- 深度学习工具从未标记的RCM数据中准确地恢复了3D纤维结构.
- 与光标签相比,预测的纤维长度或数量没有观察到任何实质性的差异.
- 与光标签相比,预测的纤维宽度略有增加 (0.213 ± 0.009 μm).
结论:
- 拟议的深度学习方法可以使用RCM准确的3D重建ECM纤维架构.
- 这种方法克服了光标签和RCM的局限性,保持了细胞活力.
- 该工具与标准激光扫描显微镜兼容,在ECM生物学研究中具有广泛的应用.
