纳米级精度，病毒感染1h内即可检测到

一纳米（nm）是一米的十亿分之一，而人类头发的宽度大约为100,000 nm。如今，人工智能能够检测到细胞内部小至20 nm的细微变化，这比人类头发的宽度还要小5,000倍。由于这些变化过于微小且复杂，传统的检测手段难以实现。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名为“细胞核人工智能”（AINU）的工具，能够在纳米级分辨率下识别特定的细胞核特征。该工具不仅可以区分癌细胞和正常细胞，还能检测细胞内的病毒感染早期阶段。

论文共同第一作者、南方医科大学广东省人民医院的研究员钟丽梅表示：“这项技术可以帮助研究人员观察病毒进入人体后如何立即影响细胞，从而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中快速诊断感染，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，理解其起源仍然是一项巨大的挑战。这种异质性通常反映了染色质结构的变化，受到病毒感染和癌症等因素的影响。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。虽然当前的聚类算法在提取核位置及其局部密度方面非常有效，但如何利用这些分子的空间分布和密度来识别细胞状态仍不明确。

卷积神经网络的应用

卷积神经网络（CNN）已被广泛应用于医疗保健成像领域。深度学习（DL）模型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）显微镜用于提高数据采集过程中的定位精度和语义分割，但尚未用于根据亚细胞结构对细胞进行分类。

AINU是一种卷积神经网络，专门用于分析图像等视觉数据。通过使用来自核特征成像的最少训练数据，可以有效地训练CNN架构。AINU可以扫描高分辨率细胞图像，这些图像是通过STORM获得的，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，帮助AI以惊人的准确度识别特定模式和差异，包括细胞内DNA排列方式的变化。

为了选择最佳的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。选择基于模型在总共349个核双色STORM图像上的性能。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可以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，如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。

为临床准备奠定基础

研究人员必须克服一些重要的限制，才能在临床环境中测试或部署该技术。例如，STORM图像只能使用在生物医学研究实验室中的专用设备来拍摄。另一个限制是STORM成像通常一次只分析几个细胞。尽管如此，研究人员预计未来将会有更多进展，使得显微镜能够出现在较小或不太专业的实验室中，甚至最终出现在诊所中。

尽管临床效益可能还需要数年时间，但AINU预计将在短期内加速科学研究。研究人员发现，该技术可以非常精确地识别干细胞。干细胞可以发育成体内任何类型的细胞，这种能力被称为多能性。AINU可以使检测多能细胞的过程更快、更准确，有助于使干细胞疗法更安全、更有效。

本文来源： 机器之心【阅读原文】