Eine Methode des Deep Learnings zur Identifizierung zellulärer Heterogenität mithilfe nanoskaliger nukleärer Merkmale – Nature Machine Intelligence

Eine Methode des Deep Learnings zur Identifizierung zellulärer Heterogenität mithilfe nanoskaliger nukleärer Merkmale – Nature Machine Intelligence

In dieser Studie wurden verschiedene menschliche Zellen verwendet, darunter A549-Zellen, B-Lymphozyten, BJ-Fibroblasten, IMR90-Fibroblasten, Knochenmark-MSCs, HeLa-Zellen, Müller-Gia, Myokardiomyozyten, spontan entstandene retinale Pigmentepithelzellen, Urinepithelzellen und Vero-Zellen (Affen). Darüber hinaus wurden hiPSCs aus verschiedenen Zelltypen induziert. Die Zellen wurden unter verschiedenen Bedingungen kultiviert, wobei das Medium je nach Zelltyp variierte. Die HSV-1-Proben wurden in Vero-Zellen angezüchtet und zur Infektion von A549-Zellen verwendet. Die Zellinfektion erfolgte bei einem Infektionsmultiplizität von 3 und die Zellen wurden dann fixiert und für die Bildgebung vorbereitet.

Für die Immunmarkierung für SR-Bildgebung wurden die Zellen fixiert, permeabilisiert und mit primären und sekundären Antikörpern inkubiert. STORM-Bildgebung wurde durchgeführt, um Proteine und DNA zu visualisieren, wobei verschiedene Mikroskope und Kameras verwendet wurden. Für die DNA-Imaging-Experimente wurde EdC in die Zellen inkorporiert und die DNA wurde markiert. Zellfunktionen und Nukleolusstrukturen wurden mittels immunhistochemischer Fleckfärbung und STORM-Bildgebung analysiert.

Die mRNA-Extraktion, cDNA-Synthese und RT-qPCR-Amplifikation von antisense RNAs wurden zur Genexpressionanalyse durchgeführt. Hardware- und Software-Berechnungen wurden unter Verwendung verschiedener computergestützter Tools auf einer speziellen Cluster-Infrastruktur durchgeführt. Verschiedene Bildgebungsdaten wurden gesammelt, analysiert und für die Modellierung genutzt, wobei ein neu entwickeltes CNN-Modell (AINU) auf Basis eines einzigartigen Trainingsansatzes eingesetzt wurde, um die Leistung zu verbessern.

Zusätzlich wurden interpretierbare KI- und Clusteranalysen durchgeführt, um die Beiträge jeder Eingabefunktion auf die Modellausgabe zu bewerten. Dies ermöglichte eine detaillierte Analyse der Zellstruktur und -funktion sowie der Unterschiede zwischen verschiedenen Zelltypen. Die Ergebnisse der Studie wurden mithilfe verschiedener Bildgebungs- und Analysetechniken validiert und bieten wichtige Einblicke in die Zellbiologie und Genexpression.