深度学习可以从3D染色体图像中预测血造干细胞的衰老

科学领域:

• 老年学是指老年学的学科.
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 造血干细胞 (HSC) 的衰老会影响整体健康和寿命.
• 染色体结构的变化是衰老的标志,但作为定量标志物未被充分利用.
• 开发可靠的方法来量化HSC衰老对于科学和临床应用至关重要.

研究的目的:

• 开发和验证一种可解释的深度学习模型,ChromAgeNet,用于基于染色体架构来量化HSC中的细胞衰老.
• 为了确定特定的染色体特征,预测HSC衰老.
• 为了证明 ChromAgeNet 在选潜在的再生疗法的实用性.

主要方法:

• 用于ChromAgeNet的卷积神经网络 (CNN),在3D DAPI染色的HSC核图像上进行训练.
• 应用可解释的人工智能 (XAI) 技术来识别预测色素特征.
• 在用表观遗传药物治疗的老年HSCs的概念验证表型查中评估了模型的性能.

主要成果:

• 在区分年轻和年长的小鼠HSC时,ChromAgeNet实现了0.77 ± 0.03的接收器操作特征曲线 (AUROC) 下的面积.
• 该模型的表现优于使用手工制作的特征的经典机器学习方法.
• 确定了染色体,外围异染色体和染色体凝聚物作为细胞衰老的关键预测标志物.

结论:

• 使用机器学习可以有效地建模染色体组织的变化,以预测血液构造系统中的细胞衰老.
• ChromAgeNet提供了一个可解释的框架,以了解染色质结构和细胞衰老之间的关系.
• 开发的框架可以推进针对HSC衰老的再生疗法的高通量药物查.