核形态是细胞衰老的深度学习生物标志物

Nuclear morphology is a deep learning biomarker of cellular senescence

作者信息Indra Heckenbach, Garik V Mkrtchyan, Michael Ben Ezra, Daniela Bakula, Jakob Sture Madsen, Malte Hasle Nielsen, Denise Oró, Brenna Osborne, Anthony J Covarrubias, M Laura Idda, Myriam Gorospe, Laust Mortensen, Eric Verdin, Rudi Westendorp, Morten Scheibye-Knudsen
PMID37118134
期刊Nat Aging
发布时间2022-08
DOI10.1038/s43587-022-00263-3

实验完整度

涉及体外细胞模型、多种衰老诱导方法、跨物种细胞和组织验证、临床样本分析及疾病关联,包含功能验证和机制探讨。

主要模型

人皮肤成纤维细胞(原代,对照和早衰疾病) 小鼠原代星形胶质细胞 小鼠原代神经元 小鼠肝组织和人真皮组织(临床活检)

重点核对

使用Xception模型在80%训练/20%测试数据上达到95%准确率,独立细胞系验证准确率94% 基于DAPI染色的核图像,经背景去除、大小标准化和内部结构掩膜处理 多种衰老诱导方式:电离辐射(10 Gy)、复制性衰老、阿霉素、抗霉素A和atazanavir/ritonavir(ATV/r) 在体内外验证中,通过p21Cip1、EdU、SA-β-gal等标志物进行相关性验证 在人类皮肤样本中,预测衰老与p21Cip1状态显著相关(P=0.005)

摘要

细胞衰老是衰老和许多与年龄相关的疾病的重要因素,但由于缺乏独特性或普遍性的标志物,理解其在健康中的作用具有挑战性。利用神经网络,我们以高达95%的准确率从人成纤维细胞的核形态预测衰老,并研究了小鼠星形胶质细胞、小鼠神经元和培养中早衰的成纤维细胞。在推广我们的方法后,预测器识别出p21阳性和乙炔基-2'-脱氧尿苷(EdU)阴性细胞核中更高的衰老率,并在H&E染色的小鼠肝组织和人真皮活检中显示衰老细胞率随年龄增加。评估医疗记录显示,衰老细胞率较高与恶性肿瘤发生率降低以及骨质疏松症、骨关节炎、高血压和脑梗死的发生率增加相对应。总之,我们表明细胞核的形态改变可以作为衰老的深度学习预测因子,适用于跨组织和物种,并与人类的健康结果相关。

实验结论

提炼研究问题、关键发现与证据,快速把握文章的核心贡献。

研究问题
细胞核形态是否可以作为细胞衰老的深度学习预测标志物,并应用于不同组织和物种,以及与人类健康结果相关。
核心机制
细胞衰老伴随着核形态的改变,如核面积增大、凸度降低和长宽比增加,这些形态特征可被深度学习模型捕捉以预测衰老。
主要证据
在培养的人成纤维细胞、小鼠星形胶质细胞和神经元中验证了预测器;在体内小鼠肝和人皮肤组织中,预测的衰老率随年龄增加;在人类临床样本中,预测的衰老率与p21Cip1阳性相关。
研究意义
核形态的深度学习预测因子可作为一种可应用于不同组织和物种的衰老标志物,并与人类健康结果相关,为衰老研究和潜在临床应用提供新工具。该研究支持衰老在限制癌症发生中的作用,并与多种年龄相关疾病相关联。

研究路径

按研究推进顺序梳理实验设计、验证步骤与关键观察。

1

建立细胞衰老模型

在培养的人成纤维细胞中诱导衰老,用于训练和测试深度学习模型。

使用电离辐射(IR)和连续传代诱导复制性衰老(RS),并通过多种方法验证衰老标志物,如p16、p21、p53、IL-6和SA-β-gal。

2

获取核图像和数据预处理

获取DAPI染色的细胞核图像,并进行预处理以用于深度学习分析。

使用高内涵显微镜拍摄DAPI染色的核图像,然后通过U-Net分割模型检测细胞核,并提取每个核的图像,然后进行标准化和特征减少处理。

3

训练和评估深度学习模型

训练神经网络模型预测细胞衰老,并评估其准确性和泛化能力。

训练了多个模型,包括Xception、InceptionV3和贝叶斯神经网络(BNNs)以及集成模型,用于二分类(衰老和非衰老)。通过准确率、ROC曲线和置信度阈值评估模型性能。

4

验证模型与衰老标志物的关系

验证预测的衰老状态与已知衰老标志物的关联,以确认预测的生物学意义。

比较预测的衰老与SA-β-gal、p16、p21、p53、DNA损伤焦点(γH2AX、53BP1)等标志物的关联,以及细胞周期分析。

5

跨物种和组织验证

测试模型在体内小鼠和不同细胞类型中的泛化能力。

应用模型到小鼠肝组织、皮肤和睾丸,以及人类皮肤样本,并验证与p21Cip1、EdU等标志物的关系。

6

疾病关联分析

评估预测的衰老负荷与人类疾病(来自国家登记册)的关联。

从丹麦国家患者登记册获取ICD-10诊断代码,通过线性回归残差分析预测衰老与疾病的关系。

研究方法

按研究目的归类文中使用的方法,便于定位所需技术。

产品清单

实验环节名称品牌货号
DMEM GlutaMAX培养基Gibco31966047
F-12培养基Gibco31765068
EMEM培养基BiowestL0415-500
最低必需培养基LonzaBE12-662F
胎牛血清Sigma-AldrichF9665
青霉素-链霉素Gibco15140163
阿霉素----
阿扎那韦/利托那韦----
TRIzol试剂Ambion by Life Technologies--
Direct-zol RNA小提试剂盒PlusZymo Research--
高容量cDNA逆转录试剂盒Applied Biosciences--
StepOnePlus实时荧光定量PCR系统Applied Biosystems--
Triton X-100----
牛血清白蛋白----
γH2AX抗体Millipore05-636
53BP1抗体NovusNB100-304
p16INK4A抗体Santa Cruz Biotechnologysc-56330
p21Cip1抗体Santa Cruz Biotechnologysc-6246
p53抗体Santa Cruz Biotechnologysc-126
PCNA抗体Abcamab18197
二抗(Alexa Fluor 488, Alexa Fluor 568)Invitrogen10424752, 10348072
DAPI溶液AppliChemA4099
EdU Click 488试剂盒BaseclickBCK488-IV-IM-S
衰老细胞组织化学染色试剂盒Sigma-AldrichCS0030
INcell分析仪2200----
RNaseThermo Fisher Scientific--
碘化丙啶Sigma-Aldrich--
CytoFlex流式细胞仪Beckman Coulter--
Xception----
InceptionV3----
TensorFlow Probability----
EdU体内成像试剂盒488Baseclick--
Prolong Gold防褪色封片剂Thermo Fisher Scientific--
ScanScope AT系统Aperio--
Zeiss Axioscan.Z1Zeiss Microscopy--
NanoZoomer-XRHamamatsu--
Vybrant CFDA SE示踪试剂盒Thermo Fisher ScientificV12883

关键环节

汇总复现实验时建议重点确认的条件及原文阅读提示。

环节核对要点
细胞培养
细胞系和来源、培养基和添加物、培养条件(温度、CO2)
阅读提示:Methods: Cell culture
衰老诱导
衰老诱导方法和剂量:IR(10 Gy)、RS(传代数量)、阿霉素(250 nM,24h)、抗霉素A(250 nM,每隔2天,10天)、ATV/r(25 μM,每隔2天,14天)
阅读提示:Methods: Senescence induction
免疫细胞化学和染色
抗体及其稀释比例、DAPI孵育时间、染色步骤
阅读提示:Methods: Immunocytochemistry, SA-β-gal detection, EdU staining and image preparation
核检测和图像预处理
U-Net训练参数、核检测尺寸范围(500-15000像素)、图像归一化方法
阅读提示:Methods: Nuclei detection、图1a
深度学习模型训练
模型架构(Xception、InceptionV3)、训练/验证集划分、训练参数(batches、epochs、学习率)
阅读提示:Methods: Senescent classification;Supplementary Table 1
体内验证
小鼠品系、年龄、饮食和环境条件;EdU给药剂量(50 mg/kg,4小时)
阅读提示:Methods: Animals;EdU cell proliferation assay
人类皮肤样本
样本获取标准和数量(169名个体,20-86岁)
阅读提示:Methods: Pathology sample selection;Figure 6
疾病关联分析
ICD-10诊断码来源、统计分析方法(残差、卡方检验、Fisher精确检验)
阅读提示:Methods: Senescence and human morbidity;Statistics and reproducibility