Machine Learning-Accelerated Analysis of In Utero Embryo Phenotyping in C. elegans for Reproductive Toxicity Assessment
本研究提出了 EmbryoMAE-Det，这是一个能够实现秀丽隐杆线虫（*C. elegans*）子宫内胚胎表型分析自动化的机器学习框架，在保持高准确度和统计效力的同时，将分析时间缩短了 1,000 倍，从而实现了快速的生殖毒性评估。
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
想象一只被称为 C. elegans 的微小、透明的蠕虫，它就像是一个监测化学安全的活生生的、呼吸着的报警系统。长期以来，科学家一直利用这些蠕虫来测试新化学物质对人类是否安全，因为这些蠕虫与我们拥有许多相同的生物学“管道结构”和发育规则。然而，检查这些蠕虫是否存在生殖危害在传统上是一项缓慢且乏味的工作。这就像是试图通过肉眼去数沙滩上的每一粒沙子，而且还要在阳光下眯着眼睛一个一个地数。研究人员必须通过显微镜观察，手动计数蠕虫体内微小的胚胎，并猜测它们的发育阶段。这个过程如此缓慢且容易产生人为误差，以至于成为了测试我们每天使用的成千上度化学物质的瓶颈。为了解决这个问题，科学家们正转向“新方法学”（NAMs）——即更聪明、更快速的测试安全性方法，而不完全依赖于缓慢的传统方法。一个大问题是：我们能否教会计算机看到人类所看到的景象，但速度要快上一百万倍，且不会感到疲劳？
本文介绍了一种被称为 EmbryoMAE-Det 的巧妙新解决方案，这是一个机器学习系统，旨在充当一个超快速、不知疲倦的助手，用于计数和分类这些微观蠕虫体内的胚胎。可以将该系统想象成一名训练有素的侦探，它已经学习了数百万张模糊的高分辨率蠕虫照片。首先，这名侦探会自主“学习”2 万张未标记的照片，了解蠕虫的外观、光线如何照射以及背景纹理是什么，而无需老师指点细节。这就像一名学生在参加特定考试之前，通过阅读图书馆里的书籍来了解世界。一旦侦探掌握了这些通用知识，它就会获得一个包含约 4.8 万个由人类预先标记好的胚胎的特定训练集。它学习如何分辨“早期胚胎”（刚开始发育的微小个体）和“晚期胚胎”（发育更完全、准备孵化的个体）。
结果令人印象深刻。该系统不仅仅是在猜测；它实现了 88.7% 的检测准确率，这几乎与顶尖的人类专家不相上下。当研究人员使用已知具有毒性的化学物质（如杀菌剂丙环唑和重金属甲基汞）对其进行测试时，计算机的结果与人类专家的结果在统计学上是无法区分的。事实上，计算机如此一致，以至于它减少了数据中的“噪声”或变异性，使得更容易发现人类因疲劳而可能忽略的胚胎数量的细微变化。最令人兴奋的部分是速度：过去需要人类团队花费约 280 小时 进行的人工分析工作，机器仅用 20 分钟 就完成了。这是 1,000 倍 的速度提升。
论文明确排除了“这仅仅是一个牺牲准确性的‘足够好’的捷径”这一观点。相反，作者展示了机器学习模型实际上通过消除不同评分者因疲劳或意见分歧而产生的不一致性，提高了数据的可靠性。这项研究表明，这种自动化方法已准备好用于大规模的化学品筛选，有望比以前更快地识别不安全的化学物质。虽然该系统高度准确，但作者指出，如果成像条件发生剧烈变化，或者蠕虫因极端的化学损伤而看起来非常不同，模型可能需要通过新的样本进行一些额外的“微调”以保持敏锐。但就目前而言，这一工具代表了在使化学安全性测试变得更快、更便宜、更可靠方面迈出的重要一步，这一切都是通过教会计算机去观察微观蠕虫的隐形世界实现的。
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。