智慧医疗研学社 | 利用成像流式细胞术和深度学习技术自动进行基因毒性检测

基因毒性检测用于评估化学制剂（如药物）对遗传基因（DNA 和 RNA）的损伤，经常用于检验候选药物的安全性。过去，训练有素的实验室技术人员手动进行检测，使用显微镜检查成千上万个细胞来确定 DNA 损伤的生物标记：细胞分裂时形成微核 (MN)（图 1）。这种方法不仅耗费大量人力和时间，还依赖于单个技术人员的主观判断。

图 1. 左上：左：明场像；右：核荧光像。左上：单个核细胞；右上：带微核的单个核细胞。左下：双核细胞；右下：带微核的双核细胞。

我所在的斯旺西大学的研究小组开发了一种基于深度学习和成像流式细胞术 (IFC) 的自动化方法，用于基因毒性和类似研究。我的合作者 George Johnson 博士的实验室使用 IFC 从单个细胞收集多通道图像数据。我们使用的是 DeepFlow，一种针对与 IFC 优化的深度学习网络 ^[1]。这使我们能够准确、自动地将图像分为单核、单核带 MN、双核或双核带 MN（图 2）四个类别。

图 2. 图像自动分类工作流。

\ | /

★

之后，我们将 IFC 数据作为 MATLAB 数据存储导入了 MATLAB。我们用传统的图像处理技术对其进行了预处理，从而根据强度对每张图像进行重新归一化并确保每张图像都对准了焦距，也就是说，细胞完全位于帧中。例如，我们使用边缘检测来识别清晰的边缘（这表明图像处于对焦状态）和完全平坦的边缘（这表明相机没有捕捉到整个细胞）。

除了基因毒性研究，我们还在各种分析和分类应用中使用了深度学习。例如，最近我和我的同事使用 CNN 和弱监督学习研究了红细胞 (RBC) 随时间推移的降解情况 ^[2]。为了输血而储存的血液中的红细胞会形成储存损伤。这种损伤的表现便是细胞形态发生变化，而这种变化通常需要用显微镜进行人工评估。人工评估非常耗时，并且我们注意到，不同的专家往往会给出不同的分数。

[1] Eulenberg, P., Köhler, N., Blasi, T. et al. “Reconstructing cell cycle and disease progression using deep learning.” Nature Communications 8, 463 (2017). doi:10.1038/s41467-017-00623-3

[2] Doan, M., Sebastian, J.A. et. al. “Objective assessment of stored blood quality by deep learning.” Proceedings of the National Academy of Sciences Sep 2020, 117 (35) 21381-21390. doi: 10.1073/pnas.2001227117

[3] Doan, M., Case, M., Masic, D., Hennig, H., McQuin, C., Caicedo, J., Singh, S., Goodman, A., Wolkenhauer, O., Summers, H.D., Jamieson, D., van Delft, F.W., Filby, A., Carpenter, A.E., Rees, P. and Irving, J. (2020).“Label‐Free Leukemia Monitoring by Computer Vision.”Cytometry, 97:407-414. doi: 10.1002/cyto.a.23987