纳米级精度，病毒感染1h内即可检测到，南方医科大学细胞核AI工具登Nature子刊

编辑 | KX

一纳米 (nm) 是一米的十亿分之一，而人类一根头发的宽度约为 100,000 nm。

如今，人工智能可以检测到细胞内小至 20 nm 的重排，即比人类头发宽度小 5,000 倍。而这些改变太小太微妙，靠人类仅用传统方法是无法发现的。

近日，南方医科大学和西班牙巴塞罗那科学技术研究所的研究团队，开发了一种细胞核人工智能（AINU）工具，可以在纳米级分辨率下识别特定的细胞核特征。它可以区分癌细胞和正常细胞，并检测出细胞内病毒感染的早期阶段。

论文共同一作、南方医科大学广东省人民医院 (GDPH) 研究员 Limei Zhong 说道：「研究人员可以利用这项技术观察病毒进入人体后如何立即影响细胞，这有助于开发更好的治疗方法和疫苗。在医院和诊所，AINU 可用于从简单的血液或组织样本快速诊断感染，使诊断过程更快、更准确。」

相关研究以「A deep learning method that identifies cellular heterogeneity using nanoscale nuclear features」为题，发表在《Nature Machine Intelligence》上。

论文链接：https://www.nature.com/articles/s42256-024-00883-x纳米级分辨率显微镜

细胞表型异质性是许多生物功能的关键决定因素，了解其起源仍然是一项艰巨的挑战。这种异质性通常反映了染色质结构的变化，受病毒感染和癌症等因素的影响，这些因素极大地重塑了细胞景观。

单分子定位显微镜 (SMLM) ，特别是随机光学重建显微镜 (STORM)，可以确定细胞中染色质纤维的纳米级排列。当前分析单分子空间分布的方法（例如聚类算法）在提取核位置及其局部密度方面非常有效。然而，目前尚不清楚如何利用这些分子的空间分布和密度来识别细胞状态。

卷积神经网络 (CNN) 已广泛用于各种医疗保健成像领域。深度学习 (DL) 模型已用于对全细胞图像进行分类并使用衍射极限显微镜进行跟踪。此外，超分辨率 (SR) 显微镜还用于提高数据采集过程中的定位精度和语义分割，但目前尚未使用 SMLM 图像根据亚细胞结构对细胞进行分类。

分子水平的「面部识别」

用脸解锁智能手机，或自动驾驶汽车通过识别道路上的物体来理解和导航环境等，都利用了卷积神经网络。

在医学领域，卷积神经网络被用来分析医学图像，如乳房 X 光片或 CT 扫描等，并识别人眼可能遗漏的癌症迹象。它们还可以帮助医生检测 MRI 扫描或 X 射线图像中的异常，从而帮助医生更快、更准确地做出诊断。

AINU 是一种卷积神经网络，是一种专门用于分析图像等视觉数据的 AI。可以使用来自核特征成像的最少训练数据有效地训练 CNN 架构。

AINU 可扫描高分辨率细胞图像，这些图像是通过 STORM 获得的，该技术可以捕捉到比普通显微镜更精细的细节。高清快照可以显示纳米级分辨率的结构。

「这些图像的分辨率，足以让我们的 AI 以惊人的准确度识别特定的模式和差异，包括细胞内 DNA 排列方式的变化，从而可以帮助我们很快发现其变化。我认为，有一天，这类信息可以为医生赢得宝贵的时间来监测疾病、个性化治疗和改善患者预后，」该研究的共同通讯作者、西班牙巴塞罗那科学技术研究所 Pia Cosma 教授说道。

为了选择用于识别体细胞和人类诱导多能干细胞（hiPSC）的最佳 CNN 架构及其超参数，研究人员比较了 11 种不同的 CNN 架构，最终，DenseNet-121 在识别体细胞和 hiPSC 方面表现最佳，平均验证准确率为 92.26，平均损失为 0.292，将其用于后续分析。

选择基于模型在总共 349 个核双色 STORM 图像上的性能，这些图像是核小体核心组蛋白 H3 和 Pol II。所选分子的荧光团是从不同体细胞类型的人类体细胞和 hiPSC 中收集的，并渲染成相对于原始相机帧放大 10 倍的图像。

AINU 在分子水平上检测和分析细胞内的微小结构。研究人员通过向模型输入不同状态下不同类型细胞的细胞核的纳米级分辨率图像来训练模型。该模型通过分析细胞核成分在三维空间中的分布和排列方式，学会了识别细胞中的特定模式。

例如，与正常细胞相比，癌细胞的细胞核结构有明显的变化，例如其 DNA 的组织方式或细胞核内酶的分布发生了改变。经过训练后，AINU 可以分析细胞核的新图像，并仅根据这些特征将其归类为癌症或正常细胞。

图示：使用 Pol II 和 H3 图像训练的 AINU 可以正确识别体细胞和 iPSC。（来源：论文）AINU 能够根据超分辨率显微镜图像中核心组蛋白 H3、RNA 聚合酶 II（Pol II）或 DNA 的空间排列区分不同的细胞状态。仅使用少量图像作为训练数据，AINU 经过适当的再训练后，可以准确识别人类体细胞、人类诱导多能干细胞（iPSC）、被单纯疱疹病毒 I 型（HSV-1）感染的人类细胞和癌细胞。

AINU 可识别体细胞和 iPSC

图示：用 Pol II 图像训练的 AINU 正确识别体细胞和 iPSCs。（来源：论文）

揭示识别特征

可解释的 AI 揭示了核仁内的 Pol II 定位是 AINU 识别 hiPSC 的关键特征。

检测 HSV-1

图像的纳米级分辨率使 AI 能够在细胞被 HSV-1 感染后一小时内检测到细胞核的变化。该模型可以通过发现 DNA 紧密程度的细微差异来检测病毒的存在。

临床应用

研究人员正在克服限制，将该技术用于临床环境。

加速科学研究

AINU 可精确识别干细胞，有助于加速干细胞研究。

检测多能细胞

AINU 可以更快、更准确地检测多能细胞，有助于使干细胞疗法更安全、更有效。

减少动物使用

AINU 的使用可以减少科学中对动物的使用。

相关报道：

• https://medicalxpress.com/news/2024-08-ai-cancer-viral-infections-nanoscale.html

以上是纳米级精度，病毒感染1h内即可检测到，南方医科大学细胞核AI工具登Nature子刊的详细内容。更多信息请关注PHP中文网其他相关文章！