用深度学习增强的SarcGraph量化HiPSC-CM结构组织规模

科学领域:

• 心血管生物学 心血管生物学
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 心肌细胞的结构组织表明细胞的成熟度和健康.
• 人类诱导的多能干细胞衍生心肌细胞 (hiPSC-CMs) 是重要的模型,但往往缺乏可量化的结构.
• 现有的计算工具与hiPSC-CMs的结构复杂性作斗争.

研究的目的:

• 加强SarcGraph框架,以改善hiPSC-CMs的结构分析,特别是不成熟和患病的细胞.
• 开发新的计算方法来量化心肌细胞的结构特征.
• 为了能够更准确地评估hiPSC-CM的结构完整性和功能.

主要方法:

• 将SarcGraph框架扩展为基于深度学习的z-disk分类器.
• 引入了一种全新的合体图谱评分方法,以改进瘤瘤检测.
• 应用了增强框架来分析艾伦细胞科学研究所数据集.

主要成果:

• 在不成熟的hiPSC-CMs中显著减少了假阳性瘤检测.
• 在成熟的hiPSC-CM中改善了较长肌纤维的检测.
• 成功提取了关键结构特征,以预测专家得分和识别得分偏差.
• 开发了一种无监督学习方法,用于解释心肌细胞结构的聚类.

结论:

• 修改后的SarcGraph算法有效地从hiPSC-CMs中提取生物学上有意义的结构特征.
• 这种增强的框架为hiPSC-CM结构完整性和疾病建模提供了更深入的见解.
• 该代码和工具的开源发布旨在促进心脏研究和计算分析.