新方法让我们深入了解细胞是如何被疾病改变的

一种新的“图像分析管道”正在让科学家们迅速深入了解疾病或损伤是如何改变身体的，甚至是单个细胞。

它被称为TDAExplore，它采用显微镜提供的详细成像，并将其与被称为拓扑学的热门数学领域相结合，后者提供了关于事物如何排列的见解，以及人工智能的分析能力，例如，提供了一个关于ALS导致的细胞变化以及它们发生在细胞中的位置的新视角Eric Vitriol博士，细胞生物学家和神经系统科学家在佐治亚医学院．

他们在杂志上报告说，使用个人电脑从微观图像中生成定量的、可测量的、客观的信息，这是一个“方便、强大的选择”，可能也适用于其他标准成像技术，如x射线和PET扫描模式．

Vitriol说:“我们认为这是一个令人兴奋的进步，利用计算机为我们提供关于图像集如何彼此不同的新信息。”“正在发生的实际生物学变化是什么，包括那些我可能无法看到的变化，因为它们太微小，或者因为我对应该从哪里看有某种偏见。”

这位神经科学家表示，至少在数据分析部门，计算机比我们的大脑强，不仅在于它们的客观性，还在于它们可以评估的数据量。计算机视觉，使计算机能够从数字图像中提取信息，是一种已经存在了几十年的机器学习类型，所以他和他的同事以及其他通讯作者Peter Bubenik博士他是佛罗里达大学的数学家，也是拓扑数据分析的专家，他决定将显微镜的细节与拓扑科学和人工智能的分析能力结合起来。Vitriol说，拓扑学和Bubenik是关键。

拓扑学对于图像分析来说是“完美的”，因为图像是由在空间中排列的物体的模式组成的，他说，拓扑学数据分析(TDAExplore中的TDA)也有助于计算机识别土地的布局，在这种情况下，肌动蛋白——一种蛋白质和纤维的基本组成部分，帮助细胞形成形状和运动——已经移动或改变了密度。这是一个高效的系统，它不需要拍摄数百张图像来训练计算机如何识别和分类它们，它可以从20到25张图像中学习。

部分神奇之处在于，计算机现在正在一块块地学习图像，他们称之为补丁。他们写道，将显微镜图像分解成这些片段可以实现更准确的分类，减少计算机对“正常”的训练，并最终提取出有意义的数据。

毫无疑问，显微镜技术能够近距离观察人眼看不到的东西，它能产生美丽、详细的图像和动态视频，这是许多科学家的主要技术。他说:“一个医学院不可能没有精密的显微镜设备。”

但为了首先了解什么是正常的，在疾病状态下会发生什么，Vitriol需要对图像进行详细分析，比如细丝的数量;细丝在细胞中的位置-靠近边缘，中心，分散在各处-以及是否某些细胞区域有更多的细丝。

在这种情况下出现的模式告诉他肌动蛋白在哪里，它是如何组织的——这是其功能的一个主要因素——以及它在哪里、如何以及是否随着疾病或损伤而改变。

例如，当他观察中枢神经系统细胞边缘周围肌动蛋白的聚集时，这些聚集告诉他，细胞正在扩散、移动并发出成为其前沿的投影。在这种情况下，在培养皿中基本上处于休眠状态的细胞可以展开并伸展自己的腿。

科学家直接分析图像并计算他们所看到的内容的一些问题包括耗时以及即使是科学家也有偏见的现实。

举个例子，特别是在有这么多动作发生的情况下，他们的眼睛可能会落在熟悉的地方，在Vitriol的例子中，就是细胞前沿的肌动蛋白。当他再次观察细胞周围的黑色边框时，可以清楚地看出那里有肌动蛋白聚集，这可能意味着那里是主要的作用点。

“我怎么知道当我决定什么是不同的，它是最不同的东西，还是只是我想看到的?他说。“我们希望将计算机的客观性引入到图像分析中，我们希望在图像分析中引入更高程度的模式识别。”

众所周知，人工智能能够对事物进行“分类”，比如每次都能识别出狗或猫，即使图像很模糊，首先要学习与每种动物相关的数百万个变量，直到它看到狗时才知道这是狗，但它不能报告为什么这是狗。这种方法需要如此多的图像用于训练目的，但仍然不能提供大量的图像统计数据，这并不能真正满足他的目的，这就是为什么他和他的同事们制作了一个新的分类器，仅限于拓扑数据分析。

他说，最重要的是，TDAExplore中使用的独特耦合有效而客观地告诉科学家，受扰动的细胞图像与训练或正常图像的区别在哪里以及有多大，这也提供了新的思路和研究方向。

回到细胞图像，它显示了肌动蛋白沿其周长聚集，而“前沿”与扰动明显不同，TDAExplore显示，一些最大的变化实际上是在细胞内部。

Vitriol说:“我的很多工作都是试图在难以看到的图像中找到模式，因为我需要识别这些模式，这样我才能找到某种方法从这些图像中获得数字。”他的底线包括弄清楚肌动蛋白细胞骨架是如何工作的，以及肌动蛋白细胞骨架在肌萎缩性脊髓侧索硬化症(ALS)等情况下会出什么问题。肌动蛋白细胞骨架为肌动蛋白提供支架，反过来又为神经元提供支持。

研究人员写道，一些需要数百张图像来训练和分类图像的机器学习模型并没有描述图像的哪一部分有助于分类。如此庞大的数据需要分析，可能包括2000万个变量，需要一台超级计算机。相反，新系统需要相对较少的高分辨率图像，并对导致所选分类的“补丁”进行表征。只需几分钟，科学家的标准个人电脑就能完成新的图像分析流程。

他说，TDAExplore中使用的独特方法客观地告诉科学家，扰动图像与训练图像的区别在哪里以及有多大，这些信息也提供了新的思路和研究方向。

从图像中获得更多更好信息的能力最终意味着，由像Vitriol这样的基础科学家产生的信息更准确，这些信息通常最终会改变人们对疾病的认识和治疗方法。这可能包括能够识别以前被忽视的变化，比如新系统在细胞内指出的那些变化。

他说，目前科学家们先用染色剂来获得更好的对比度，然后用软件来提取他们在图像中看到的信息，比如肌动蛋白是如何组织成更大的结构的。

“我们必须想出一种从图像中获取相关数据的新方法，这就是这篇论文的目的。”

参考:李志强，李志强，李志强，等。TDAExplore:通过基于拓扑的机器学习定量分析荧光显微图像。模式．2021; 2(11): 100367。doi:10.1016 / j.patter.2021.100367

本文已从以下地方重新发布材料．注:材料的长度和内容可能经过编辑。如需进一步信息，请联系所引用的来源。