Nat Commun:基于深度学习和形态学的衰老评分系统(Deep-SeSMo):抗衰老药物筛选的重要工具
2021-01-20 xiaozeng MedSci原创
随着深度学习技术的不断进步,目前已能够进行复杂任务解决方案的制定。由于卷积神经网络(CNN)的发展,图像分类的准确性正在迅速的提高。目前CNN已被应用于广泛的医学研究领域,且图像分类现已在临床中被用作
随着深度学习技术的不断进步,目前已能够进行复杂任务解决方案的制定。由于卷积神经网络(CNN)的发展,图像分类的准确性正在迅速的提高。目前CNN已被应用于广泛的医学研究领域,且图像分类现已在临床中被用作诊断工具。
既往的许多报告证明CNN在分类或识别任务中的巨大潜力。多功能的生物系统应该构建定量的分类,而不仅仅是定性的分类。而CNN是开发无偏差定量评估系统的一个潜在工具。
内皮细胞在稳态和疾病中起着许多关键的作用。细胞衰老作为衰老的标志,在年龄相关疾病发生发展过程中起着至关重要的作用。此外,其也是潜在的治疗靶标。因此,直接干预内皮细胞衰老的药物或可成为衰老相关疾病的治疗选择。特定的生物学标记通常用于细胞衰老的筛查,例如衰老相关的β半乳糖苷酶(SA-β-gal)、P16和P21。
Deep-SeSMo的发展
细胞的衰老还可以通过特定的形态来定义,如扁平和扩大的胞体和异染色质的聚集。尽管如此,使用常规的方法还是很难对大量的细胞形态变化进行公正的定量评估。因此,定量评估细胞状态的评分系统或可成为药物筛选的一大重要工具。
在该研究中,研究人员开发了一个成功的基于形态学的CNN系统来识别衰老细胞,并建立了一个无偏差定量评分系统来评估内皮细胞的状态。该方法采用了直接从用于训练细胞衰老分类的预先训练的CNN,基于形态学和深度学习的衰老评分系统(Deep-SeSMo)输出的衰老概率输出来评估内皮细胞的状态。
使用Deep-SeSMo进行药物筛选
研究显示,Deep-SeSMo可以正确评估已知的抗衰老试剂的效果。研究人员通过基于Deep-SeSMo的药物筛选系统,在激酶抑制剂库中筛选调控细胞衰老的药物,最终鉴定出了四种抗衰老药物。RNA序列分析显示,这些化合物主要是通过抑制炎症反应通路来抑制细胞的衰老表型。
总而言之,该基于形态学的CNN系统或可成为抗衰老药物筛选的一个强大工具。
原始出处:
Kusumoto, D., Seki, T., Sawada, H. et al. Anti-senescent drug screening by deep learning-based morphology senescence scoring. Nat Commun 12, 257 (11 January 2021).
作者:xiaozeng
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#COMMUN#
44
#抗衰老药物#
64
#SMO#
49
#药物筛选#
52
#Nat#
43