通过深度学习实现斑马鱼器官发育的无偏准确毒性评估
Mengyu Wang1,2, Wen-Xiong Wang1,2
1School of Energy and Environment, State Key Laboratory of Marine Environmental Health, City University of Hong Kong, Kowloon, Hong Kong, China.
Environmental science & technology
|October 15, 2025
概括
一个新的深度学习模型精确地评估生物图像中的毒性影响,克服传统方法的局限性. 这种人工智能方法揭示了以前无法检测到的斑马鱼的大小依赖性毒性,提高了毒理学分析的准确性和效率.
科学领域:
- 毒理学 毒理学 毒理学
- 生物医学科学 生物医学科学
- 环境健康 环境健康
- 人工智能的人工智能
背景情况:
- 传统的毒理学方法因依赖宏观终点和手动图像分析而难以获得灵敏度和偏差.
- 准确评估毒理效应对于生物医学和环境健康评估至关重要,但仍然是一个重大挑战.
研究的目的:
- 开发一种自动化的深度学习方法,用于准确客观的毒理学分析.
- 建立一个使用人工智能对有毒效应进行公正评估的一般框架.
- 评估模型在发育中的生物体中检测微妙,大小依赖的毒性的能力.
主要方法:
- 开发了一个基于U-Net的深度学习模型,用于自动化,像素级图像细分和形态定量化.
- 应用该模型来分析成千上万的生物图像,实现高速度 (每批1分钟) 并消除主观偏差.
- 利用该模型评估斑马鱼体内由银离子 (Ag+) 和银纳米粒子 (AgNPs) 诱导的大小依赖的发育毒性.
主要成果:
- U-Net模型展示了对生物图像的高效和公正的分析,执行像素级别的细分和形态定量.
- 在斑马鱼中成功区分了Ag+和AgNPs (15nm,100nm) 尺寸依赖的发育毒性.
- 在光受体细胞层,内状层,骨肌肉和脊髓中发现了以前无法检测到的大小依赖性和器官特异性毒性差异.
结论:
- 自动化深度学习方法在毒理学评估的准确性,效率和可重复性方面提供了显著的改进.
- 该框架提供了一个可扩展的应用程序,用于精确的毒理学评估,包括标准化的成像分析.
- 这种方法有可能评估新出现的材料和污染物的毒性,推进环境和生物医学健康评估.
