通过深度学习对多种Caenorhabditis的第一个胚胎分裂阶段进行分类
Dhruv Khatri1, Prachi Negi1, Chaitanya A Athale2
1Div. of Biology, IISER Pune, Dr. Homi Bhabha Road, Pashan, Pune, India.
NPJ systems biology and applications
|August 23, 2025
概括
深度学习模型使用无标签显微镜准确分类线虫胚胎细胞分裂阶段. 这种方法在各个物种中普遍存在,有助于研究细胞机制的进化分歧.
科学领域:
- 发育生物学
- 计算生物学
- 进化生物学
背景情况:
- 在Caenorhabditis elegans中,第一个胚胎分裂是不对称细胞分裂的关键模型.
- 了解细胞事件的进化分歧需要跨物种的比较分析.
- 由于分子标记的挑战,无标记差异干扰对比 (DIC) 显微镜对于比较研究至关重要.
研究的目的:
- 用于在无标签DIC显微镜电影中自动化细胞阶段分类的深卷积神经网络 (CNN) 的比较.
- 解释这些网络的结果并将代码和权重发布为开源.
- 评估深度学习模型在物种之间分类线虫胚胎细胞分裂阶段的概括性.
主要方法:
- 训练了多个CNN,包括ResNet,VggNet,EfficientNet和一个定制的EvoCellNet,以分类四个不同的细胞分裂阶段 (亲核迁移,集中和旋转,螺旋转移,细胞运动).
- 使用DIC显微镜时间序列的手动标记.
- 在23种不同的线虫物种的测试数据上评估了网络的准确性.
主要成果:
- 在23种线虫物种的细胞分裂阶段分类中达到91%或更高的准确性.
- 发现稀疏的EvoCellNet的激活向量与细胞内特征的空间定位相关,
- 在分类可比的DIC时间序列方面表现出强度,尽管成功仅限于保存的形态特征.
结论:
- 深度学习网络可以有效地将线虫胚胎的形态变化推广到各个物种.
- 开发的管道根据生物学相关的低水平细胞内特征捕获细胞分裂时间表.
- 这种方法增强了使用无标签显微镜的细胞机制进化差异的研究.
