在寨卡病毒感染细胞中基于图像的自现象类型的形态分析

科学领域:

• 细胞生物学 细胞生物学
• 病毒学 病毒学
• 计算生物学 计算生物学

背景情况:

• 自对于细胞平衡至关重要,并且在诸如寨卡病毒 (ZIKV) 感染等疾病中失调.
• 齐克病毒感染通过劫持自途径来阻碍宿主细胞发育,构成严重的健康威胁.
• 了解ZIKV对自的操纵对于开发治疗策略至关重要.

研究的目的:

• 开发和验证一种实验和计算管道,用于剖析ZIKV在活细胞中劫持自的过程.
• 用基于图像的分析来分析由ZIKV感染引起的细胞和自形态变化.
• 创建一个深度学习模型来识别基于自记者活动的ZIKV感染细胞.

主要方法:

• 扩展和修改高吞吐量,可扩展的基于图像的分析方法.
• 使用ZIKV编码的光记者同时观察自和感染.
• 将ZIKV诱导的形态变化与自调节药物引起的形态变化进行比较.
• 训练深度学习分类器对自记者数据进行训练,以检测ZIKV感染.

主要成果:

• 在暴露于ZIKV的ZIKV感染细胞和未感染细胞中确定了不同的形态特征配置文件.
• 由ZIKV诱导的细胞变化模仿了联合自诱导剂和抑制剂的影响.
• 一个深度学习分类器成功地使用自记者,独立于记者病毒,识别了受感染的细胞.
• 基于图像的分析管道在研究感染动态方面表现出了多功能性.

结论:

• 开发的管道有效地解剖了ZIKV对细胞自的劫持.
• 基于图像的分析提供了一个强大的工具,用于分析病毒与宿主相互作用和自调节.
• 在自记者上训练的深度学习分类器可以可靠地检测病毒感染,提供潜在的诊断应用.