使用二维形态嵌入和机器学习进行无标签检测核外核孔.
Keivan Rahmani1, Hamed Naghsh-Nilchi1, Leah Sadr1
1Aiiso Yufeng Li Family Department of Chemical and Nano Engineering, University of California, San Diego, CA, 92093, USA.
Small (Weinheim an der Bergstrasse, Germany)
|November 7, 2025
概括
本研究引入了一种机器学习方法,通过分析细胞和核形状变化来检测核外 (NE) 孔隙. 这种人工智能方法可以有效地,无标签地监测NE中断,以改善核交付应用.
科学领域:
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
- 人工智能的人工智能
背景情况:
- 高比例纳米结构通过过渡性核外 (NE) 干扰来促进核输送.
- 零星的核化事件限制了当前核输送方法的效率.
研究的目的:
- 开发一种无标签的机器学习 (ML) 方法,基于细胞形态和核变化来检测核孔.
- 建立一种高通量,非侵入性的方法来监测NE中断事件.
主要方法:
- 在纳米柱上的U2OS细胞使用Ku-80错位化分析了NE破坏.
- 一个定制的算法量化了Ku-80/DAPI强度配置文件,以确定细胞状态的基本真相 (完好或有孔).
- 使用细胞/核形状嵌入和形态描述器训练了一个定向不变的变化自编码器和支向量机器 (SVM).
主要成果:
- ML模型实现了接收器操作特征曲线下的87.0%面积和82.9%的测试准确度.
- 在SHAP分析中,核对细胞面积比率被认为是核穿孔最强的预测因素.
- 特定的核特征 (例如,表面光滑,凸起) 和细胞特征 (例如,边界复杂性,延长) 显著影响了核穿孔概率.
结论:
- 这种人工智能工作流程表明了细胞/核形态和核孔事件之间的相关性.
- 开发的方法允许使用相对较小的数据集对蜂事件进行非侵入性,高通量监测.
- 这种方法有可能优化核输送策略和研究细胞表型.
