A deep learning framework for quantitative analysis of secretory granule morphology using Star Dist
本文提出了一种在 QuPath 中实现的基于 StarDist 的可重复深度学习框架，该框架能够实现果蝇唾液腺分泌颗粒的高通量、自动化分割与形态计量分析，在保持生物学有效性的同时，提供了比传统方法更高的准确性和灵敏度。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在生物体的细胞内部，存在着一种持续且至关重要的包裹运输过程。细胞制造蛋白质和其他物质，将它们包装进被称为分泌颗粒的微小膜结合容器中，然后在时机成熟时将其释放到细胞外部。这一被称为“受控胞吐作用”（regulated exocytosis）的过程，是细胞进行通信、消化食物以及构建组织的方式。为了理解这一递送系统是如何运作的，科学家们经常研究果蝇（Drosophila melanogaster）。具体而言，他们会研究果蝇幼虫的唾液腺。这些腺体是一个完美的实验室，因为随着幼虫的生长，其细胞会同步产生大量的这类颗粒，使细胞充满这些颗粒，然后一次性全部释放。通过观察这些颗粒在成熟过程中大小和形状的变化，研究人员可以确定哪些基因和蛋白质负责包装与释放过程。
几十年来，科学家们一直试图测量这些微小的颗粒以观察它们的生长情况。他们知道，新生成的颗粒起初非常小，面积约为1平方微米，随后逐渐长大，最终达到15平方微米，之后才准备好被释放。然而，通过人工计数和测量这些颗粒是非常困难的。这些颗粒排列得极其紧密，看起来就像一个拥挤的人群，让人很难分辨一个颗粒在哪里结束，另一个又从哪里开始。当研究人员尝试进行人工计数时，他们往往不得不只观察细胞的一个极小切片，以避免因信息过载而无法处理，这意味着他们可能会错过那些最小或最不寻常的颗粒。这种局限性导致了他们在理解这些细胞包裹是如何制造和成熟方面的认知存在空白。
阿根廷莱洛尔基金会研究所（Fundación Instituto Leloir）的一个研究小组现在开发出了一种解决这一问题的新方法。他们创建了一个计算机程序，能够自动寻找并测量这些颗粒，即使在它们拥挤在一起或大小差异巨大的情况下也是如此。该程序并非依赖简单的亮度水平来分离物体（这种方法在物体接触时通常会失效），而是使用了一种名为 StarDist 的高级人工智能技术。这种工具旨在识别大致呈圆形或星形特征的形状，这完美契合了这些生物颗粒的外观。研究人员构建了一个运行在免费开源软件 QuPath 上的系统，该软件允许科学家精确查看计算机正在执行的操作并修正任何错误，从而确保结果在生物学上的准确性。
为了测试这种新方法，团队利用果蝇唾液腺细胞的图像对计算机进行了训练。他们教会程序去识别正常细胞中的颗粒，以及由于遗传变化导致颗粒异常微小或异常巨大的细胞中的颗粒。随后，他们将计算机的工作结果与专家生物学家进行的繁琐人工计数进行了对比。结果显示，自动化系统表现得更为出色。它能比旧方法更好地分离相互接触的颗粒，并且在测量形状和大小方面具有更高的精度。最重要的是，计算机并没有仅仅复制人类的计数结果；它发现了更多的颗粒，尤其是那些人类由于难以观察或数量过多而难以逐一计数的极小颗粒。
通过使用这种新方法，研究人员得以证实已知的事实：颗粒在成熟过程中确实会变得更大。但这项新工具的力量在于它揭示了此前隐藏的信息。由于计算机可以分析整个细胞而不会感到疲劳或产生偏差，它发现了一群在以往研究中被低估的微小颗粒。这表明，颗粒形成的早期阶段可能比之前认为的更加复杂或多样化。这项研究表明，这种自动化工作流不仅更快、更具扩展性，而且更具灵敏度，使科学家能够在不受人类视觉局限的情况下，看到细胞活动的完整图景。
研究人员强调，他们的目标不是取代人类的判断，而是提供一个让发现过程更加彻底的工具。通过向其他科学家开放这一系统，且无需他们具备专业的编程知识，他们希望加速对细胞如何管理其内部物流的研究。这项工作表明，当深度学习应用于特定的生物学问题时，它可以揭示那些一直存在但仅仅是太难被看见的细节。这一新框架为研究分泌颗粒的生命周期提供了一种清晰、可重复的方法，为深入理解驱动生物体中受控胞吐作用的分子机制打开了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。