《Computational Biology and Chemistry》：Convolutional Neural Network approach to classify mitochondrial morphologies
編輯推薦：
線粒體形態對研究細胞健康意義重大，但傳統評估方法耗時且易有偏差。研究人員開展基于卷積神經網絡（CNN）的線粒體形態分類研究，開發出 MitoClass 軟件。結果顯示該模型分類準確、泛化性強。這為線粒體研究提供高效工具，推動相關領域發展。
在細胞的微觀世界里，線粒體就像一個個神秘的能量工廠，不僅承擔著能量生產、細胞代謝等關鍵任務，還在細胞死亡調控中發揮著重要作用。它獨特的形態變化，從細長的絲狀到高度碎片化的結構，如同細胞健康的晴雨表，反映著細胞的各種生理和病理狀態。比如，在許多神經退行性疾病、代謝綜合征以及癌癥中，都能發現線粒體形態的異常。然而，想要精確地 “讀懂” 線粒體形態這本 “健康密碼” 并非易事。傳統的評估方法依賴人工或半自動技術，不僅耗費大量時間，還容易受到研究人員個人主觀因素的影響，導致結果偏差。在追求精準醫學和高效科研的當下，開發一種快速、客觀且精準的線粒體形態分類方法迫在眉睫。
為了解決這一難題，來自國外的研究人員開展了深入研究。他們聚焦于利用卷積神經網絡（Convolutional Neural Network，CNN）技術，開發出一款名為 MitoClass 的深度學習軟件，旨在實現線粒體形態的自動分類。經過一系列嚴謹的實驗和分析，研究取得了令人矚目的成果。該研究成果發表在《Computational Biology and Chemistry》上，為線粒體相關研究領域帶來了新的曙光。
在研究過程中，研究人員主要運用了以下關鍵技術方法：首先，采用基于 MobileNetV2 架構的 CNN 模型進行訓練，利用其預訓練權重有效提取特征；其次，通過數據增強技術，如旋轉、縮放、平移和翻轉等操作，擴充訓練數據，增強模型的泛化能力；再者，運用轉移學習策略，對模型的部分層進行微調，使其更適應線粒體形態分類任務；此外，使用超分辨率顯微鏡獲取高質量圖像，并對圖像進行預處理，包括裁剪、歸一化等操作，為模型訓練提供優質數據 。
2. 研究結果
2.1 訓練
研究人員選用基于 MobileNetV2 架構構建分類系統。訓練時，使用超分辨率結構光照顯微鏡（SIM）圖像，將其分割成僅包含相關線粒體形狀的圖像塊，這些圖像塊分別對應細長、碎片化或中間形態。為增強模型泛化能力，針對低分辨率圖像，通過添加噪聲和縮小圖像塊尺寸模擬成像條件變差的情況，同時運用大量數據增強技術擴充訓練樣本。在模型構建上，以 MobileNetV2 為骨干網絡，利用其在 ImageNet 上的預訓練權重提取復雜特征，替換其頂層為自定義層。比如，添加全局平均池化 2D 層、含 32 個神經元且使用 ReLU 激活函數的全連接層（加入 L2 正則化以減輕過擬合）、Dropout 層（失活率 0.4），最后通過含 SoftMax 激活函數的全連接層進行多分類。為解決小且不均衡數據集的訓練難題，采用焦點損失函數，讓模型更關注難分類樣本。最終，模型訓練準確率達到 98.70% 。
2.2 模型驗證和性能
研究人員使用從多種細胞系、顯微鏡設置和實驗條件下收集的 150 張手動分類的線粒體圖像作為驗證數據集，評估系統在實際場景中的效率。訓練準確率達 98.70%，驗證準確率為 95.25%，驗證損失為 0.1452，表明模型對未見數據的泛化能力良好�；煜仃嚪治鲲@示，主要類別的真陽性分類率較高，雖因線粒體形態復雜，在相似形狀間存在少量誤分類，但整體上模型能可靠地將線粒體形態準確分類。
2.3 模型性能評估跨不同細胞系
研究人員在 COS7、HCT、HeLa 和 U2OS 這四種常用細胞系的驗證數據集上測試模型的通用性。在 COS7 細胞中，69% 的線粒體網絡被分類為中間型，24% 為碎片化，7% 為細長型；HCT 細胞中，72% 為正常，26% 為碎片化，2% 為中間型；HeLa 細胞中，65.33% 為碎片化，33.33% 為中間型，1.33% 為細長型；U2OS 細胞中，48.67% 為正常，44% 為碎片化，7.33% 為中間型 。各細胞系的混淆矩陣結果表明，模型在不同細胞系中均能對線粒體形態進行有效分類，不過在一些形態相似的類別間存在一定混淆，且部分細胞系中因樣本量小導致某些類別的識別準確率較低。但總體而言，模型能揭示不同細胞系中線粒體形態分類的細胞類型差異。
2.4 分析 HeLa 細胞線粒體網絡的形態變化
為驗證模型在識別線粒體形態變化方面的穩健性和可用性，研究人員對 HeLa 細胞進行了兩種處理：DRP1 基因敲除（KO）和 CCCP 處理，以誘導線粒體網絡發生特定形態變化。DRP1 是線粒體裂變的關鍵調節因子，其敲除會導致線粒體裂變受損，呈現細長且相互連接的結構；CCCP 作為強效線粒體解偶聯劑，會破壞線粒體膜電位，引發廣泛的碎片化。研究人員使用每種處理條件下的 150 張圖像，通過分類方法評估模型性能。結果顯示，在 CCCP 處理的細胞中，97.14% 的線粒體為碎片化，無細長型，僅有 2.86% 的中間型；DRP1 KO 細胞中，50.00% 為細長型，45.33% 為中間型，4.67% 為碎片化；野生型（WT）細胞中，76.35% 為中間型，10.14% 為細長型，13.51% 為碎片化 。這表明模型能有效捕捉不同細胞條件下的線粒體形態變化。
2.5 圖形用戶界面（GUI）
為提高分類模型的可用性和可及性，研究人員開發了圖形用戶界面（Graphical User Interface，GUI）。該界面支持加載單個細胞的線粒體網絡圖像或包含多個細胞的圖像數據集進行分類。利用 CellProfiler 自動分離單個細胞并裁剪其線粒體網絡，避免重疊或背景結構帶來的誤差。對于單個圖像，GUI 會顯示預測的類別（碎片化、中間型或細長型）及相應的置信度得分；對于數據集，會生成匯總直方圖，展示不同形態線粒體在數據集中的分布情況。這一界面設計直觀，無需編程或機器學習專業知識，方便研究人員和臨床醫生高效分析線粒體形態。
3. 研究結論和討論
本研究基于 MobileNetV2 架構的 CNN 開發出 MitoClass 軟件，可將線粒體網絡形態分為碎片化、中間型和細長型三類。研究結果驗證了模型在不同細胞系和實驗條件下的穩健性，其泛化能力在處理不同分辨率、噪聲水平和實驗條件的圖像時得到進一步證實。與基于分割的方法相比，該分類模型無需精確的像素級分割，處理速度更快、計算效率更高，對分割誤差的魯棒性更強，適用于高通量應用。然而，該模型也存在一定局限性，如丟失空間和結構信息，無法進行像素級定位，且線粒體網絡的異質性會給分類帶來不確定性 。但總體而言，MitoClass 軟件為研究人員和臨床醫生分析線粒體網絡形態、研究細胞器動力學和健康狀況提供了有價值的工具。它能夠快速、可靠且高通量地評估線粒體形態，有望顯著提高大規模線粒體形態研究的效率和可重復性，推動人們對線粒體健康和疾病的理解邁向新的高度。
