基于ROI约束深度学习的线粒体表型分析框架:MitoLatentProfiler在人肌管细胞中的应用

《SLAS Discovery》:MitoLatentProfiler: ROI-constrained deep learning for mitochondrial phenotyping in human myotubes

【字体: 大 中 小 】 时间:2026年10月13日 来源:SLAS Discovery 3.3

编辑推荐:

  在微图案化人肌管细胞中实现线粒体分割:Dice系数0.82,clDice系数0.86。有监督的潜空间结构化在表型区分上优于经典描述符。潜空间沿两个轴组织:共享形态学轴和MitoTracker特异性轴。标记自适应分类器在未见供体和标记上取得宏F1值0.87至0.

  
在微图案化人肌管细胞中实现线粒体分割:Dice系数0.82,clDice系数0.86。有监督的潜空间结构化在表型区分上优于经典描述符。潜空间沿两个轴组织:共享形态学轴和MitoTracker特异性轴。标记自适应分类器在未见供体和标记上取得宏F1值0.87至0.93。碎片化和损伤表型评分满足NCATS Z′阈值,可用于筛选。 骨骼肌是体内代谢最活跃的组织之一,依赖广泛的线粒体网络满足局部能量需求。然而,在成熟肌管中定量线粒体网络仍具技术挑战性,因其致密、重叠且方向性排列的形态对传统分割和表型分析方法构成困难。研究人员在此提出MitoLatentProfiler框架,将U-Net编码器不仅作为分割工具,更作为细胞器特征提取器。分割输出通过生物学驱动的掩膜策略将潜空间编码约束在肌钙蛋白阳性肌管内的线粒体上,排除邻近成肌细胞和细胞外空间的混杂信号。基于patch的训练策略将细胞器水平表型与整体肌管几何结构解耦,Classifier U-Net联合优化分割与表型分类,结构化潜空间以增强扰动判别。所得嵌入与可解释的形态学描述符结合,构建标记自适应层次分类器,实现学习特征与手工特征空间的直接比较。 研究人员使用DRP1和OPA1敲低以及膜去极化剂验证该流程,将潜特征与经典形态学描述符及SER读数进行基准比较。结果表明,Classifier U-Net嵌入在供体、标记和培养板间提供更优的表型可分性和泛化能力,而形态学描述符作为可解释的补充工具,有助于缓解技术变异性。

论文解读文章

一、研究背景与科学问题

骨骼肌是人体代谢最活跃的组织之一,其功能高度依赖于广泛分布的线粒体网络。在体内,骨骼肌线粒体形成致密、各向异性的网络,与收缩装置对齐并与细胞骨架结构整合,调控局部ATP供应和钙缓冲。体外培养的分化肌管细胞在肌原性分化过程中逐步形成有序排列的致密各向异性网络,这一成熟过程与从糖酵解到脂肪酸氧化的代谢转换同步发生。线粒体网络通过融合与分裂的动态平衡、线粒体自噬与生物合成持续重组,维持细胞器质量。网络架构和动力学的扰动——如融合/分裂失衡、氧化磷酸化缺陷或蛋白质稳态受损——与肌少症、胰岛素抵抗及疾病相关的功能衰退密切相关。
尽管线粒体网络在生理和病理中具有核心重要性,但在成熟肌管中对其进行定量分析仍面临技术挑战。其致密、重叠且方向性排列的形态挑战了传统分割和表型分析方法。标准基于强度、几何和纹理的描述符虽提供可解释且计算高效的读数,但本质上是简化性的:每个描述符将线粒体网络的全部复杂性投影为单一标量值,丢弃了可能携带表型信息的结构协变。深度学习方法虽已变革生物医学图像分析,但现有分割工具未针对肌管特异性网络架构进行验证,拓扑保持损失函数如clDice亦未应用于线粒体网络分割。此外,编码器表征能否推广用于致密各向异性细胞器网络的表型分析,以及有监督的潜空间结构化是否优于经典描述符,仍属未解问题。为此,研究人员开发了MitoLatentProfiler框架。

二、研究内容与主要结论

研究人员利用微图案化生物模型培养可重复排列的人肌管细胞,通过DRP1和OPA1敲低以及寡霉素/抗霉素A(O/A)处理诱导不同线粒体表型,结合TOMM20免疫荧光和MitoTracker Deep Red标记,系统评估了深度学习分割、潜空间表征和层次分类的性能。研究得出以下核心结论:拓扑优化的Classifier U-Net在致密各向异性肌管线粒体网络上取得Dice 0.82、clDice 0.86的分割性能,优于传统Hessian滤波方法和标准U-Net;有监督的潜空间结构化显著提升表型判别能力,潜空间沿形态学轴和标记特异性轴组织;标记自适应层次分类器在供体、标记和培养板三个泛化轴上均优于经典形态学描述符,宏F1达0.87至0.93;碎片化和损伤表型评分满足NCATS Z′筛选阈值。该框架为高通量线粒体表型筛选提供了可靠工具,对药物发现和疾病机制研究具有重要意义。

三、关键技术方法

研究人员主要采用了以下关键技术方法:其一,基于U-Net的语义分割模型,输入为归一化线粒体荧光图像和二值肌管掩膜双通道,采用Dice损失与拓扑感知clDice损失的复合损失函数训练,以保持网络拓扑保真度;其二,Classifier U-Net架构,在编码器瓶颈层附加两个全连接层,联合优化分割损失和条件级分类交叉熵损失,实现潜空间的有监督结构化;其三,潜空间嵌入构建,通过拼接三个编码器层的特征形成1024维表征,按肌管面积占比加权平均每个patch的潜特征;其四,标记自适应层次分类器,采用两级SVM架构,Level 1区分三大类表型,Level 2仅在MitoTracker图像上进一步区分损伤与碎片化;其五,形态学特征提取,基于分割结果计算面积、周长、圆度、形状因子及骨架分支长度等59个特征。样本来源为两名健康供体的原代肌管细胞培养。

四、研究结果

4.1 分化肌管中的线粒体表型

研究人员采用微图案化生物模型培养人肌管细胞,分化五天内形成高度有序、横纹清晰的肌管,样本间变异性降低。未分化细胞中线粒体网络呈各向同性,分化后变为沿肌管长轴排列的致密各向异性网络。

4.2 分裂与融合抑制引起的表型改变

通过siRNA敲低OPA1(融合必需蛋白)和DRP1(分裂介导蛋白),以及O/A化学处理诱导线粒体损伤。TOMM20免疫荧光显示,OPA1敲低诱导显著碎片化,DRP1敲低产生微妙形态变化,O/A处理导致与OPA1敲低相当的碎片化。SER纹理描述符仅能部分区分各条件且依赖标记类型。

4.3 线粒体网络的深度学习分割

拓扑优化U-Net在验证集上取得Dice 0.917、clDice 0.942。在包含超过250个肌管的留出测试集上,Classifier U-Net取得最优性能(中位Dice 0.82、clDice 0.86),优于标准U-Net(Dice 0.78、clDice 0.83)和Hessian方法(Dice 0.52、clDice 0.75)。分类头的加入同时提升了像素级和拓扑精度。

4.4 基于形态学的特征提取与剂量反应验证

研究人员提取包括面积、周长、圆度、形状因子和骨架分支长度在内的结构特征。剂量反应实验显示,融合抑制导致平均分支长度剂量依赖性下降,分裂抑制则产生相应增加。OPA1敲低最大倍数变化为0.7,DRP1敲低为1.3,呈S形响应曲线。然而O/A处理和OPA1敲低在形态学特征空间中重叠有限,表明经典描述符无法区分结构相似但功能不同的条件。

4.5 潜空间嵌入与有监督结构化

标准U-Net潜空间能分离严重结构破坏条件与对照,但难以区分DRP1敲低与对照。Classifier U-Net联合优化分割和分类后,潜空间沿两个主轴结构化分离:第一条轴正交于标记类型,捕获跨越肥大管化、正常和碎片化/损伤状态的形态学变异;第二条轴仅存在于MitoTracker嵌入中,反映生物能量应激下的染料行为。TOMM20嵌入仅沿形态学轴分离(三类),MitoTracker嵌入沿两轴分离(四类)。

4.6 层次标记自适应分类

扁平四类分类因TOMM20无法可靠区分损伤与碎片化而受限(跨标记测试F1 0.711)。研究人员设计两级层次分类器:Level 1分离肥大管化、正常和碎片化/损伤三大类,适用于任一标记;Level 2仅在MitoTracker图像上进一步区分损伤与碎片化,F1达0.985(供体泛化)。组合特征(潜特征加形态学描述符)在培养板泛化上达F1 0.932,优于单独使用任一特征集。肥大管化是最难区分的表型(供体泛化F1 0.732),碎片化/损伤保真度最高(F1 0.893至0.970)。

五、讨论与结论

层次设计反映了潜在的生物学机制:生物能量应激激活OMA1介导的OPA1裂解,驱动分裂作为下游后果,因此损伤线粒体在形态上呈现碎片化。TOMM20报告外膜蛋白定位,与生物能量状态无关,无法区分原发性融合抑制导致的碎片化与损伤导致的碎片化;MitoTracker特异性Level 2步骤使这一区分成为可能。潜特征在培养板泛化上优势最大(F1 0.916 vs 0.830),而形态学描述符作为可解释补充工具缓解技术变异性。研究结论表明,将分割编码器重新定位为细胞器特征提取器,结合有监督潜空间结构化和标记自适应层次分类,为致密各向异性细胞器网络的定量表型分析提供了有效方案,满足高通量筛选对稳健性和可解释性的双重要求。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号