یک رویکرد تقسیم‌بندی-طبقه‌بندی پشت سر هم برای محلی‌سازی پیش‌بینی‌کننده‌های مورفولوژیکی طول عمر و تحرک C. Elegans

لطفا تماس بگیریدoscar.xiao@wecistanche.comبرای اطلاعات بیشتر

خلاصه

C. elegans یک ارگانیسم مدل تثبیت شده برای مطالعه اثرات ژنتیکی و دارویی بر پیری است که بسیاری از آنها در انسان حفظ شده اند. همچنین یک مدل ضروری برای تحقیقات پایه است، و آسیب شناسی سی. الگانس یک زمینه تازه در حال ظهور است. در اینجا ما یک پلتفرم مبتنی بر شبکه عصبی کانولوشنال اثبات‌کننده اصلی برای بخش‌بندی C. elegans و استخراج ویژگی‌هایی که ممکن است برای پیش‌بینی طول عمر مفید باشند، توسعه می‌دهیم. ما از مجموعه داده ای از 734 کرم استفاده می کنیم که در طول عمر آنها ردیابی شده و کرم ها را به دو دسته با عمر طولانی و کوتاه مدت طبقه بندی می کنیم. ما WormNet را طراحی کردیم - یک شبکه عصبی کانولوشن (CNN) برای پیش‌بینی کلاس طول عمر کرم‌ها بر اساس تصاویر بزرگسالان جوان (روز 1-روز سوم بزرگسالان) و نشان دادیم که WormNet، همچنین InceptionV3 CNN می‌تواند طول عمر را با موفقیت طبقه‌بندی کند. بر اساس معماری U-Net، ما CNN های HydraNet را توسعه می دهیم که امکان تقسیم بندی دقیق کرم ها را به قسمت های قدامی، میانی و خلفی فراهم می کند. ما تقسیم‌بندی HydraNet، پیش‌بینی WormNet و رویکرد نقشه فعال‌سازی کلاس را برای تعیین مهم‌ترین بخش‌ها برای طبقه‌بندی طول عمر ترکیب می‌کنیم. چنین رویکرد تقسیم‌بندی-طبقه‌بندی پشت سر هم نشان می‌دهد که بخش خلفی کرم ممکن است برای طبقه‌بندی کرم‌های با عمر طولانی مهم‌تر باشد. رویکرد ما می تواند برای تسریع کشف داروهای ضد پیری و برای مطالعه آسیب شناسی C. elegans مفید باشد.

لطفا برای دانستن بیشتر اینجا را کلیک کنید

مقدمه

نماتد Caenorhabditis elegans (C. elegans) یک مدل تثبیت شده برای مطالعه مداخلات مختلف در فرآیند پیری است که امکان یافتن ژن‌ها و داروهای متعددی را فراهم می‌کند که با پیری تداخل دارند. 5 از 7 داروهای ضد پیری ردیف 1 و 4 از 6 داروهای ضد پیری ردیف 2 در نظر گرفته شده برای آزمایشات انسانی، طول عمر را در مدل C. elegans افزایش می دهند.سیستانچ แอ ม เว ย์مسیرهای پیری زیادی در میان گونه‌ها حفظ شده‌اند و انتظار می‌رود که کرم‌ها نه تنها در تحقیقات طول عمر بلکه در صنعت ضد پیری نیز به طور گسترده مورد استفاده قرار گیرند [1]. علاوه بر این، اکنون از کرم های انسانی برای ایجاد مدل های امیدوارکننده برای تخریب عصبی استفاده می شود [2]. با این حال، بر خلاف ژنتیک طول عمر، فنوتیپ های C. elegans پیری هنوز به خوبی مورد مطالعه قرار نگرفته اند. به ویژه، ما اطلاعات کمی در مورد آسیب شناسی های مرتبط با سن و توسعه آنها و همچنین اینکه کدام آسیب شناسی طول عمر را تعیین می کند و چگونه باعث مرگ می شود، می دانیم [3]. پاتولوژی های متعددی از جمله آتروفی روده، تومورهای رحم و عفونت حلق اخیراً شرح داده شده است [4-6]. در این پرتو، کشف آسیب شناسی های جدید C. elegans، به ویژه تعیین طول عمر، تبدیل شدن به یک چالش مهم است. مطالعه آسیب شناسی در سی. الگانس ممکن است به درک بهتر فرآیند پیری و همچنین مکانیسم ها و اثرات داروهای ضد پیری کمک کند.

سیستانچ می تواند ضد پیری باشد

پیشرفت‌های اخیر در یادگیری ماشینی (ML) و یادگیری عمیق (DL)[7] ممکن است به مطالعات پیری با استفاده از C.elegans با کشف و خلاصه‌سازی الگوهای رفتاری و مورفولوژیکی قبلاً دیده نشده در مجموعه داده‌های تجربی بزرگ کمک کند. به عنوان مثال، در یک کار اخیر چندین پارامتر فیزیولوژیکی به صورت طولی اندازه‌گیری شد و استفاده از رگرسیون بردار پشتیبان اجازه داد تا مقدار متفاوت واریانس در طول عمر C. elegans را با: حرکت (57 درصد)، مقطعی توضیح دهد.اتوفلورسانس (52 درصد)، نرخ تخمگذاری (28 درصد) [8]. جالب توجه است، مشخص شد که اندازه نوزاد با طول عمر در هرمافرودیت های جفت شده (r=0.28) همبستگی دارد[9]. علاوه بر این، مطالعات مستقل تأیید می‌کنند که عملکرد عضله احتمالاً بهترین ویژگی فیزیولوژیکی پیش‌بینی‌کننده است: دهانه پمپاژ سریع حلقی (r=0.49)، و دهانه پمپاژ حلقی (r=0.83) ارتباط زیادی با طول عمر دارد [10]. همچنین، حداکثر سرعت در روز 9 [11] و میزان کاهش سرعت (روزهای 3-9)[12] بر این اساس 71 درصد و 91 درصد از تغییرپذیری در طول عمر را پیش‌بینی می‌کنند. پیش‌بینی‌کننده‌های سلولی و مولکولی طول عمر C. elegans نیز کشف شد. بیان hsp{17}}.2 ناشی از شوک حرارتی در بزرگسالان روز اول با طول عمر ارتباط دارد [13]. عاری از اثرات مخدوش‌کننده مداخلاتی مانند شوک گرمایی، بیان پایه چمن‌زار-3 در روز 9 نیز با طول عمر (r=0.57) همبستگی داشت، که احتمالاً پاسخ به غذای بیماری‌زا را منعکس می‌کند [14]. بیان Mir{26}} از روز 4 به بعد می تواند بسیار پیش بینی کننده باشد و 47 درصد از تنوع در طول عمر را توضیح می دهد [15]. به طور قابل توجهی، یک همبستگی معکوس قوی (r =-0.93) بین اندازه هسته (اندازه گیری شده در روز 1) و طول عمر نشان دهنده سنتز پروتئین غیرقابل تنظیم به عنوان یک جزء مهم پیری است[16]. قابل توجه، در اوایل رویکرد ماشین بینایی نیز برای طبقه بندی فنوتیپ های پیر در C. elegans استفاده شد. به ویژه، طبقه‌بندی‌کننده متمایز خطی برای جداسازی تصاویر حلق در سنین مختلف برای تعیین خصوصیات مولکولی بعدی مورد استفاده قرار گرفت [17].

در میان روش‌های دیگر، یکی از قدرتمندترین رویکردهای یادگیری ماشینی، به‌ویژه برای تحلیل تصویر، استفاده از شبکه‌های عصبی کانولوشنال (CNN) است که از سازمان شبکه‌های عصبی قشر بصری الهام گرفته شده‌اند. CNN با عملکرد نزدیک به انسان در مجموعه داده های MNIST و عملکرد بهتر از انسان در تشخیص علائم راهنمایی و رانندگی با ضریب دو برابر، به نتایج چشمگیر در تشخیص تصویر دست یافت [19]. CNN بارها بهترین عملکرد را در طول "چالش تشخیص تصویری در مقیاس بزرگ ImageNet" در طبقه بندی تصاویر نشان داد [20،21].چه مقدار سیستانچ مصرف کنیممعرفی اتصالات نادیده گرفته شده به CNN به طور چشمگیری سرعت و دقت آنها را بهبود بخشید و چنین CNN های باقیمانده اکنون برای طبقه بندی تصاویر پیشرفته هستند [22، 23]. شبکه‌های باقی‌مانده رمزگذار-رمزگشا مانند U-Net [24]، V-Net، و Tiramisu نیز از روش‌های استخراج مرز کلاسیک، آستانه و منطقه‌ای که در زمینه تقسیم‌بندی تصویر پزشکی استفاده می‌شوند، بهتر عمل می‌کنند [25]. علیرغم نتایج چشمگیر با رویکردهای DL، یکی از اشکالات اصلی این است که شبکه‌های DL جعبه‌های سیاه هستند، بنابراین دریافت ویژگی‌های مهم برای تصمیم‌گیری توسط شبکه دشوار است [26]. برای دور زدن این نقص، چندین تکنیک برجسته پیشنهاد شده است [27-29]. یکی از این تکنیک‌ها استفاده از لایه ادغام میانگین جهانی برای تولید نقشه فعال‌سازی کلاس (CAM) و بومی‌سازی مناطق تصویر خاص کلاس به شیوه‌ای بدون نظارت است [30]. ویژگی‌های عمیق قابل بومی‌سازی عمومی تولید شده می‌تواند به محققان در درک اساس تبعیض مورد استفاده توسط CNN برای وظایف خود کمک کند. با این حال، تا کنون، هیچ رویکردی برای ترکیب بخش‌بندی تصویر معنادار بیولوژیکی و برجستگی طبقه‌بندی برای تسهیل کشف فنوتیپ از طریق تفسیر ایجاد نشده است.

قابل توجه است که اخیراً از CNN برای پیش بینی طول عمر کرم ها استفاده شده است. در مقاله اول، مجموعه داده ای از 913 تصویر از C. elegans استفاده شد. هر نقطه زمانی (روز) حداقل 30 کرم دارد و همه آنها قبل از تصویربرداری بیهوش شدند. معماری مبتنی بر InceptionResNetV{2}}به میانگین خطای مطلق (MAE) 0.96 روز در حالت رگرسیون، و دقت 57.6 درصد در حالت طبقه‌بندی [31] دست یافت. در کار دیگری، نویسندگان از یک سیستم تصویربرداری خودکار استفاده کردند که قادر بود همان کرم را در تمام طول عمر ردیابی کند، بنابراین آنها داده هایی برای 734 کرم داشتند که هر 3.5 ساعت از آنها عکس گرفته می شد. آنها از U-Net برای جداسازی کرم‌ها از پس‌زمینه استفاده کردند و سپس رگرسیون مختصات بدن کرم را برای ایجاد بازنمایی‌های کرم صاف انجام دادند. سپس آنها از ResNet34 اصلاح شده استفاده کردند و موفق شدند سن کرم را با حداقل MAE 0.6 روز برای تصاویر خام کاهش دهند [32].

در اینجا ما از همان مجموعه داده [8، 32] استفاده کردیم، اما به جای پیش‌بینی سن هر کرم، یک پلتفرم مبتنی بر CNN را ایجاد کردیم که WormNet نام داشتیم که قادر به طبقه‌بندی بزرگسالان جوان (روز 1-3) به کوتاه‌مدت است. و عمر طولانی، و همچنین طراحی یک رویکرد برای استخراج ویژگی های مهم برای چنین طبقه بندی. به طور مشابه، ما از WormNet برای طبقه بندی جنبش C. elegans استفاده کرده ایم. برای تفسیر نتایج طبقه‌بندی به روش طراحی جانبی، طبقه‌بندی CNN را با یک تقسیم‌بندی پشت سر هم CNN همراه کرده‌ایم. برای این کار، ما یک معماری جدید مبتنی بر U-Net (HydraNet) برای تقسیم کرم ها از پس زمینه و همچنین تقسیم بدن کرم به قسمت های قدامی، میانی و خلفی ابداع کردیم. تفسیر نتایج طبقه‌بندی از طریق اتحاد تقسیم‌بندی HydraNet و نقشه‌های فعال‌سازی کلاس ایجاد شده با استفاده از WormNet به دست آمد. تحلیل‌های نقشه‌های فعال‌سازی کلاس همراه با تقسیم‌بندی قسمت‌های بدن در چنین حالتی پشت سر هم به ما اجازه می‌دهد تا ویژگی‌های مسئول پیش‌بینی طول عمر را استخراج کنیم. در نهایت، با استفاده از یک نسخه تقسیم‌بندی‌شده با وضوح بالاتر از تصاویر C. elegans، نتایج خود را در یک CNN InceptionV3 باقی‌مانده با ظرفیت بیان بالاتر همراه با تفسیر دستی تأیید کردیم.

نتایج

داده‌های گذشت زمان برای 734 C. elegans که از روز 1 بزرگسالی تا زمان مرگ گرفته شده بود برای توسعه پلتفرم نمونه اولیه ما استفاده شد [8،15]. برای ایجاد رویکردی برای تفسیرپذیری خودکار این تصاویر، ما به مشکل تقسیم‌بندی کرم‌ها از پس‌زمینه آن‌ها و همچنین تمایز بخش‌های مورفولوژیکی کرم‌ها پرداختیم (شکل 1). برای این کار، ما به صورت دستی 130 تصویر از کرم‌های بالغ را با ماسک‌هایی برای قسمت‌های قدامی، میانی، خلفی کرم و جمع‌بندی کل ماسک کرم (شکل 1F-1H) حاشیه‌نویسی کرده‌ایم. سپس این مجموعه داده به بخش‌های قطار (90) و آزمایش (40) بر اساس شناسه داده‌های یک کرم منفرد تقسیم شد تا اطمینان حاصل شود که ویژگی‌های کرم منفرد به محفظه آزمایش نشت نمی‌کنند. بیرون اول، برای پرداختن به مشکل تقسیم بندی کل کرم، یک معماری نسبتا کم عمق مشابه U-Net [24] همراه با یک سر سیگموئید برای طبقه بندی باینری ساخته ایم. برای وضوح، قسمت های رمزگذاری و رمزگشایی U-Net در شکل lA به صورت a و نشان داده شده است. تصاویر خام برای کارایی محاسباتی به 96 × 96 پیکسل مقیاس شدند. ما از تابع از دست دادن تاس استفاده کردیم و شاخص جاکارد را برای ارزیابی کیفیت بخش‌بندی بررسی کردیم. در این مسئله تقسیم‌بندی نسبتاً ساده، شاخص جاکارد در هر دو بخش قطار و آزمایش به 0.97 رسید (شکل 1A، 1B، برای فراپارامترهای دقیق به مواد و روش‌ها مراجعه کنید). در مرحله بعد، برای گسترش این رویکرد به بخش‌بندی تک تک اعضای بدن سی. الگانس، مشکل را به‌عنوان یک تقسیم‌بندی چند کلاسه با ماسک‌های کدگذاری شده یک‌طرفه و معماری مشابه U-Net شکل‌دهی کرده‌ایم (شکل 1C، 11). جای تعجب نیست که از آنجایی که طبقه بندی چند کلاسه مشکل سخت تری است، این منجر به عملکرد بدتر 0.92 و 0.91 شاخص جاکارد در قطار و کسر آزمایشی شد که نشان دهنده یک اضافه تناسب خفیف است.

قابل توجه است، یکی از جنبه های U-Net چند کلاسه به خوبی عمل نمی کند، تشخیص قسمت های قدامی و خلفی کرم بود که منجر به تولید ماسک های همپوشانی شد (شکل lI). برای دور زدن این محدودیت، ما یک معماری جایگزین را با استفاده از U-Net a و قطعات طراحی کرده‌ایم، با چندین بخش که هر کدام به مشکل تقسیم‌بندی باینری اختصاص داده شده است (شکل 1D، 1E)، که آن را HydraNet نامیدیم. چنین رویکردی یک معماری آموزش‌دیده مشترک با لایه‌های ورودی مشترک و لایه‌های اختصاص داده شده برای هر یک از بخش‌های مورفولوژیکی کرم ایجاد می‌کند، که اجازه می‌دهد یک مدل انتها به انتها داشته باشیم، در حالی که یک مسئله طبقه‌بندی باینری ساده‌تر را حل می‌کند. HydraNet3 به 3 قسمت اختصاص داده شده به قسمت های قدامی، میانی و خلفی بدن کرم مجهز بود. HydraNet4 به نوبه خود به 4 قسمت اختصاص داده شده به قسمت های قدامی، میانی، خلفی و همچنین کل بدن کرم مجهز شد. برای تخمین عملکرد مشترک HydraNet، شاخص جاکارد را برای هر قطعه به صورت جداگانه اندازه گیری کردیم و در نهایت میانگین شاخص جاکارد را ارزیابی کردیم. قابل توجه است که هر دو HydraNet3 و HydraNet4 به میانگین شاخص Jaccard 0.97 در هر دو بخش قطار و آزمون دست یافتند که تعمیم خوبی را نشان می‌دهد (شکل 1D, IE, 1J, 1K). قابل توجه، HydraNet4 زودتر از HydraNet3 (شکل 1D، ورودی های IE) به تبدیل دست یافت که نشان می دهد یک اثر مثبت بالقوه از همراهی معماری با کلاس معنایی عمومی تر.

در مرحله بعد، برای به دست آوردن طبقه‌بندی‌کننده‌هایی برای حرکت یا طول عمر C. elegans، همه 734 کرم را به 2 کلاس مقدار حرکت تقسیم کردیم: حرکت کم یا زیاد به عنوان تحرک بالاتر یا کمتر از فاصله متوسط ​​خزیده شده در طول عمر تخمین زده می‌شود. و 2 کلاس طول عمر: "کوتاه" با طول عمر 7 روز یا کمتر، و "با عمر طولانی" با طول عمر 8 روز و بیشتر. وظیفه پیش‌بینی کلاس‌ها بر اساس تصاویر روز اول، روز دوم یا روز سوم بود. از آنجایی که مجموعه داده نسبتاً کوچک است، استفاده از معماری‌های ظرفیت بیانی بالا می‌تواند منجر به تطبیق بیش از حد شود. بنابراین، ما یک CNN نسبتا کم عمق طراحی کردیم که آن را WormNet نامیدیم. این معماری از 5 لایه کانولوشن تشکیل شده بود که هر کدام یک لایه ادغام حداکثر را دنبال می کردند. نرمال‌سازی حذف و دسته‌ای برای هر لایه کانولوشن در شبکه عصبی برای بهبود تعمیم اجرا شد.سیستانچ چیستآخرین لایه ادغام حداکثر مسطح شد و به یک لایه کاملا متصل و سپس یک لایه softmax متصل شد. ما از آنتروپی متقاطع باینری به عنوان تابع ضرر استفاده کردیم. همه لایه ها، به جز لایه دوم، از یک واحد خطی اصلاح شده (ReLU) به عنوان یک تابع فعال سازی استفاده کردند (شکل 2A، به مواد و روش ها برای فراپارامترهای دقیق مراجعه کنید). WormNet برای به دست آوردن هر دو طبقه بندی حرکت و طول عمر استفاده شد (شکل 2 و 3). برای کاهش بیشتر برازش احتمالی، با استفاده از مولدهای تصویر Keras، یک 30-تقویت داده تا برابری انجام دادیم. به طور خاص، تصاویر در معرض چرخش تصادفی افقی و عمودی، جابجایی افقی و عمودی در محدوده 10 درصد و همچنین چرخش‌های تصادفی در محدوده 90 درجه اصلی قرار دارند. جاهای خالی در تصاویر تبدیل شده با استفاده از استراتژی نزدیکترین مقدار پر شدند.

WormNet عملکرد خوبی را در طبقه بندی حرکت کل نشان داد و به دقت 88 درصد رسید (دقت 0.86، به یاد بیاورید 0.86، ناحیه زیر منحنی برای مشخصه عملکرد گیرنده - AUC ROC - 0.56) در مجموعه داده آزمایشی برای کسر بزرگسالان روز 3 بود. عملکرد برای تصاویر روز 1 و روز 2 کمی پایین تر بود (شکل 2B-2D) با AUC ROC به ترتیب 0.51 و 0.55. برای اطمینان از اینکه پیش‌بینی ما بیشتر تحت تأثیر مورفولوژی کرم است نه محیط اطراف آن، مجموعه داده‌ای از تصاویر پس‌زمینه مصنوعی ایجاد کرده‌ایم که C. elegans از طریق تقسیم‌بندی حذف شدند. برای کاهش تأثیر شبح کرم در تمرین، پیکسل های صفر باقیمانده را با نویز تصادفی پر کرده ایم (شکل تکمیلی 1). نتایج ما نشان داد که عملکرد مدل عمدتاً به مورفولوژی C. elegans نسبت داده می‌شود تا پس‌زمینه تصاویر. برای ارزیابی اینکه کدام قسمت بدن ممکن است مسئول تصمیم‌گیری WormNet باشد، با استفاده از رویکرد تقسیم‌بندی-طبقه‌بندی پشت سر هم، دوربین‌های مداربسته را برای یک کرم کلاس کم حرکت (شکل 2E,2F) و یک کرم با حرکت بالا (شکل 2G, 2H) از WormNet.بیوفلاونوئیدهاسپس، هر تصویر با استفاده از HydraNet4 قطعه‌بندی شد و اتحاد CAM چارک بالایی WormNet با بخش‌بندی مورفولوژیکی از HydraNet4 به‌دست آمد. برای اهداف تفسیر، درصد CAMهای متعلق به یک بخش مورفولوژیکی مربوطه را برای هر کرم مربوطه متعلق به کلاس حرکت بالا یا پایین محاسبه کرده‌ایم. علاوه بر این، ما اهمیت این تفسیر توسط طراحی را با استفاده از ANOVA یک طرفه با تصحیح تفاوت معنی‌دار صادقانه Tukey (HSD) ارزیابی کردیم (شکل 2F-کرم‌های کم حرکت، شکل 2H - کرم‌های با حرکت بالا). این مقایسه نشان داد که قسمت قدامی به طور قابل توجهی کمتر (31 درصد) نسبت به قسمت میانی بدن (34 درصد) و قسمت های خلفی (34 درصد) برای کرم های کم حرکت و بالا پوشیده شده است. تفاوت معنی داری بین قسمت میانی بدن و قسمت خلفی بدن وجود نداشت.

در مرحله بعد، ما از WormNet برای طبقه بندی کرم های طولانی و کوتاه مدت استفاده کردیم. مشابه طبقه‌بندی حرکت، WormNet در نمونه بزرگسالان روز 3 بهتر عمل کرد و به دقت 72 درصد رسید (دقت 0.73، یادآوری 0.71، AUC ROC 0.61) در مجموعه داده آزمایشی، در مقایسه با AUC ROC 0.53 و 0.52 به ترتیب برای روزهای 2 و 1.سیستانچ بخرتحلیل ماتریس سردرگمی نشان داد که CNN در طبقه‌بندی کرم‌های کوتاه‌مدت عملکرد ضعیفی دارد (شکل 3A-3C). سپس، طبقه‌بندی‌کننده را با استفاده از پشت سر هم HydraNet4 و WormNet همراه با آزمون آماری ANOVA یک‌طرفه تفسیر کرده‌ایم. در مورد طبقه‌بندی طول عمر، تفسیر طراحی نشان می‌دهد که در 32 درصد قسمت قدامی در دوربین‌های مداربسته به‌طور قابل‌توجهی در مقایسه با قسمت میانی بدن و قسمت خلفی کمتر مشخص بود (شکل 3D، 3E-طول عمر کوتاه، شکل 3F، 3G-طول طول عمر). این تفاوت برای طول عمر طولانی کمتر از طول عمر کوتاه بود. تفاوت معنی داری بین قسمت میانی بدن و قسمت خلفی وجود نداشت.

برای تأیید این یافته‌ها به شیوه‌ای مستقل، طبقه‌بندی‌کننده طول عمر دیگری را با استفاده از معماری باقی‌مانده InceptionV3 [3] همراه با یک تفسیر دستی آموزش داده‌ایم (شکل 4). علاوه بر این، در این مورد برای اطمینان از وضوح بالای دوربین‌های مداربسته به جای مقیاس‌بندی تا ۹۶×۹۶ پیکسل، تصاویر با وضوح کامل ۹۰۰×۹۰۰ به ۸۰۰×۸۰۰ پیکسل (۵۱۶×۵۱۶ میکرومتر) برش داده شدند. به عنوان یک ظرفیت بیانی بسیار بالاتر CNN، InceptionV3 مستعد بیش از حد برازش در مجموعه داده نسبتا کوچک ما بود (شکل 4C، 4D). برای دور زدن این موضوع، توقف زودهنگام در طول تمرین را اجرا کرده ایم. علاوه بر این، ما کرم‌ها را از پس‌زمینه آن‌ها تقسیم کردیم تا اطمینان حاصل کنیم که InceptionV3 فقط با قسمت مربوطه از تصویر ارائه می‌شود. InceptionV3 مشابه WormNet با دقت به 70 درصد در مجموعه داده آزمایشی برای طبقه بندی طول عمر عمل کرد (شکل 4A). مطابق با رویکرد دوطرفه HydraNet{18}}WormNet برای تفسیر، در مورد تفسیر دستی، قسمت قدامی کرم توسط InceptionV3 CAM کمتر برجسته می‌شود. با این حال، نکته مهم، به دلیل وضوح بالاتر تصاویر ورودی، دوربین‌های مداربسته اکنون قسمت‌های بدن را بسیار بهتر بومی‌سازی می‌کنند، و اجازه می‌دهند تا در هر مورد یک قسمت از بدن را به عنوان یک تمایز احتمالی اختصاص دهند (شکل 4B). جالب توجه است، توزیع قسمت‌های بدن برجسته‌شده توسط تجزیه و تحلیل CAM نشان می‌دهد که قسمت خلفی برای طبقه‌بندی کرم‌های با عمر طولانی مهم‌تر است، و نشان می‌دهد که ویژگی‌هایی که طول عمر را پیش‌بینی می‌کنند می‌توانند در قسمت خلفی بدن کرم قرار داشته باشند.

بحث

علیرغم اینکه C. elegans یک مدل کلاسیک در تحقیقات پیری با بیش از 4000 مقاله به روز منتشر شده است، و پیشرفت در رباتیک، روند اندازه گیری طول عمر C. elegans هنوز دستی و پر زحمت است. با این حال، رویکردهای جدید مانند دستگاه طول عمر با استفاده از اسکنرهای مسطح برای ارزیابی همزمان زنده ماندن جمعیت بزرگی از کرم‌ها بر روی صفحات در حال ظهور هستند [34]. رویکرد دیگر مرجان‌های کرمی است - یک روش خودکار پرورش ماهی که اجازه می‌دهد کرم‌ها را در طول عمرشان با اندازه‌گیری‌های بسیار دقیق‌تر ردیابی کند [8]. داده های فیزیولوژیکی دقیق تولید شده در مرجان های کرم نشان داد که حرکت، اتوفلورسانس و تخریب بافت بهترین پیش بینی کننده طول عمر هستند. با این حال، مشخص نیست که چه ویژگی های مورفولوژیکی دقیقی منعکس کننده آسیب شناسی و تعیین طول عمر است. همچنین مشخص شد که اندازه‌گیری‌های فیزیولوژیکی قبل از روز 3 یا 4 بزرگسالی و نشانگرهای زیستی برچسب‌دار با GFP نمی‌توانند کرم‌های کوتاه و طولانی را تشخیص دهند [8،15]. پیش‌بینی‌های مبتنی بر هسته‌ای که در بزرگسالان روز اول انجام می‌شوند با استفاده از بزرگنمایی 100× روی کرم‌های ثابت انجام می‌شوند، که برای هیچ پلتفرم غربالگری خودکار قابل دستیابی نیست.

در اینجا ما با مجموعه داده تولید شده در آزمایشگاه Pincus [8،15] کار کردیم و نشان دادیم که کاربرد WormNet جدید طراحی شده قادر است با موفقیت بین کرم‌های کوتاه و طولانی حتی برای تصاویر گرفته شده در روز 1 یا 2 تمایز قائل شود. مهمتر از همه، برای روز 3 CNN بهترین عملکرد را نشان داد (شکل 2A-2C). WormNet حتی در طبقه‌بندی کرم‌ها با حرکت کل زیاد و کم بهتر بود و برای بزرگسالان روز اول به دقت 88 درصد دست یافت (شکل 3). ما انتظار داریم که داده های بیشتری تولید کند و توسعه CNN طول عمر را پیش بینی کند [32]. همانطور که قبلاً ذکر شد، نویسندگان کرم‌ها را بخش‌بندی کردند و نمایش‌های کرم صاف‌شده را ایجاد کردند که برای آموزش CNN استفاده شد [32]. افزایش تعداد نمونه ها، پیش بینی سن کرم مبتنی بر رگرسیون را بهبود بخشید. جالب اینجاست که نویسندگان به تنهایی اطلاعات کرم را برای تخمین سن پیدا کرده‌اند، در حالی که پس‌زمینه اطلاعات به‌طور قابل‌توجهی دقت می‌تواند را بهبود بخشد، اگرچه ارزش پیش‌بینی پس‌زمینه مصنوع از شرایط تجربی است. بنابراین، ممکن است دقت پیش‌بینی WormNet در شبیه‌سازی‌های ما تا حدی با اطلاعات پس‌زمینه توضیح داده شود. با این حال، همانطور که آزمایش‌های ما نشان می‌دهد (شکل تکمیلی 1)، عملکرد WormNet بیشتر به مورفولوژی C. elegans بستگی دارد تا پس‌زمینه تصاویر. مهمتر از همه، پیش‌آموزش روی نمایش مختصات بدن در [32] باعث بهبود دقت در تصاویر خام شد که نشان می‌دهد اندام‌ها و بافت کرم برای پیش‌بینی سن مفید هستند.

علاوه بر طبقه‌بندی طول عمر یا حرکت بر اساس تصاویر بزرگسالان جوان، هدف ما نیز یافتن ویژگی‌های مهم برای پیش‌بینی بود. به عنوان یک کار نمونه اولیه، ما تصمیم گرفتیم تعیین کنیم که کدام قسمت بدن قدامی، میانی یا خلفی دارای ویژگی هایی است که بیشتر بر طول عمر تأثیر می گذارد. ما HydraNet 3 و 4، معماری‌های جدید مبتنی بر U-Net را طراحی کردیم و نشان دادیم که آنها می‌توانند با موفقیت قسمت‌های بدن کرم را با دستیابی به مقادیر شاخص Jaccard کامل تقسیم کنند. مهمتر از همه، برای توسعه یک رویکرد تفسیر جانبی طراحی، ما از دسته‌بندی بیولوژیکی معنی‌دار (طول عمر و حرکت) استفاده کردیم که از طریق نقشه‌های فعال‌سازی طبقه [30، 35] و تقسیم‌بندی مورفولوژیکی (قدامی، میانی بدن و نواحی خلفی) برجستگی را به ارمغان می‌آورد. قسمت بدن برای طبقه بندی مفید است. علاوه بر این، اگرچه کمتر حل شده است، یافته‌های به‌دست‌آمده از رویکرد پشت سر هم با یک طبقه‌بندی آموزش‌دیده مستقل سازگار بود. این طبقه بندی کننده باینری بر اساس InveptionV3 CNN ساخته شده است. این بر روی تصاویر 800×800 پیکسل با وضوح نوری کامل با کرم‌هایی که از پس‌زمینه آن‌ها جدا شده‌اند، آموزش داده شد و نتایجی مشابه با WormNet به دست آورد، اگرچه این مدل به دلیل برازش بیشتر قابل تعمیم کمتر است (شکل 4). با این حال، در مورد InceptionV3، قسمت‌های بدن متمایز را می‌توان روی دوربین‌های مداربسته محلی قرار داد، و تحلیل‌ها نشان می‌دهند که ویژگی‌های واقع در قسمت خلفی کرم ممکن است برای طبقه‌بندی کرم‌های با عمر طولانی مهم‌تر باشند. با توجه به افزایش قابل توجه وضوح تصویر و استفاده از نمایش مختصات بدن، این رویکرد راهی برای کشف نشانگرهای زیستی مهم جدید در C. elegans در یک محیط خودکار فراهم می‌کند. اندام‌های بدون برچسب مانند حلق یا موجودیت‌های دارای برچسب GFP را می‌توان با استفاده از HydraNets تقسیم‌بندی کرد و با استفاده از رویکرد CAM و WormNet از نظر توانایی پیش‌بینی طول عمر آنها ارزیابی کرد. این وسوسه انگیز است که حدس بزنیم که مشابه شبکه های متخاصم مولد [36]، پیاده سازی های آینده تفسیرپذیری طراحی جانبی از طریق مجموعه ای از تقسیم بندی و طبقه بندی ممکن است به صورت سرتاسر آموزش داده شوند و برای اکتشافات علمی معمول مورد استفاده قرار گیرند. پلتفرم تحلیلی خودکار اثبات اصل برای کشف نشانگرهای زیستی غیرتهاجمی در پیری، به ویژه در سنین جوانی 1-3 سی. الگانس مفید خواهد بود. این پتانسیل زیادی برای تسریع غربالگری دارویی برای داروهای ضد پیری دارد. توسعه روش همچنین برای یافتن و مشخص کردن آسیب شناسی های جدید در C. elegans که برای تحقیقات اساسی پیری مهم هستند، مفید خواهد بود. برای در دسترس قرار دادن کد در دسترس جامعه پژوهشی ما سپرده گذاری کرده ایم.

این مقاله از www.aging-us.com AGING 2022, Vol. 14، شماره 4