DOI: https://doi.org/10.3389/fbioe.2026.1797474
PMID: https://pubmed.ncbi.nlm.nih.gov/42040772
تاريخ النشر: 2026-04-09
المؤلف: Daniel Dubinsky وآخرون
الموضوع الرئيسي: تقنيات تحليل صور الخلايا
نظرة عامة
تقدم ورقة البحث الانحدار العصبي للقدرة الحيوية (NViR)، وهو نهج جديد يعتمد على التعلم العميق مصمم للقياس غير الجراحي للقدرة الحيوية لزراعة الخلايا باستخدام صور المجهر في الوقت الحقيقي. تقتصر اختبارات القدرة الحيوية التقليدية على طبيعتها التدميرية، مما يقيد التحليلات إلى قياسات نقطة نهاية واحدة. يعالج NViR هذا القيد من خلال توفير إطار قابل لإعادة التدريب تم التحقق منه في البداية على كريات الكبد، ولكنه يمكن تكييفه لأنواع كريات أخرى.
في تطبيق عملي، تم تعريض كريات الكبد البشرية لـ 108 أدوية معتمدة من إدارة الغذاء والدواء، وتم استخدام NViR لمراقبة القدرة الحيوية بمرور الوقت، مما يمكّن من التنبؤ بإصابة الكبد الناتجة عن الأدوية (DILI). أظهرت النتائج أن تقييمات القدرة الحيوية لـ NViR تنبأت بفعالية بـ DILI في البشر مع السماح بإجراء تقييمات متكررة دون المساس بالسلامة الهيكلية للزراعات. لا تلتقط هذه الطريقة غير التدميرية التغيرات الزمنية الدقيقة فحسب، بل تقلل أيضًا بشكل كبير من تكاليف الزراعة والعمالة. بشكل عام، تضع فعالية NViR من حيث التكلفة وقدراته العالية في الإنتاجه كأداة قيمة لتعزيز بروتوكولات سلامة الكبد وتحسين كفاءة عمليات اكتشاف الأدوية وتطويرها.
الطرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة في بحثهم، موضحين عملية جمع البيانات، وهندسة الشبكة العصبية المستخدمة، وإجراءات التدريب المنفذة. شملت عملية جمع البيانات جمعًا منهجيًا لمجموعات البيانات ذات الصلة، والتي تمت معالجتها لاحقًا لضمان الجودة والملاءمة للدراسة. يتم وصف الهندسة العصبية، على الرغم من عدم تقديم تفاصيل محددة بشأن هيكلها ومكوناتها في هذا الاقتباس. بالإضافة إلى ذلك، يتم تلخيص إجراء التدريب، مشيرًا إلى النهج المتبع لتحسين أداء النموذج.
للحصول على مزيد من الرؤى وإمكانية إعادة الإنتاج، جعل المؤلفون جميع البيانات، والرموز، والمعلمات المدربة متاحة للجمهور من خلال مستودع GitHub، مما يضمن الشفافية ويسهل البحث المستقبلي في هذا المجال.
النتائج
في قسم النتائج، تقدم الدراسة تحليلًا مفصلًا عبر ثلاثة أقسام فرعية رئيسية. يقارن القسم الفرعي الأول بدقة طريقة NViR مع مجموعة متنوعة من الأساليب الأساسية، مبرزًا مزايا أدائها. يركز القسم الفرعي الثاني على قابلية تفسير NViR، موضحًا قدرته على تحديد العوامل الرئيسية التي تؤثر على تقديرات القدرة الحيوية. أخيرًا، يعرض القسم الفرعي الثالث التطبيق العملي لـ NViR في التنبؤ بإصابة الكبد الناتجة عن الأدوية (DILI)، موضحًا إمكانيته في تعزيز تحليل زراعة الخلايا غير الجراحي وتحسين تقييمات سلامة الأدوية.
المناقشة
في هذه الدراسة، يقدم المؤلفون الانحدار العصبي للقدرة الحيوية (NViR)، وهو طريقة جديدة تعتمد على التعلم العميق لتقييم قدرة زراعات الكريات من خلال صور المجهر ذات المجال الساطع. يتم تقييم أداء NViR مقارنة بالطرق التقليدية، بما في ذلك تقييمات الخبراء البشريين وأساليب الرؤية الحاسوبية الكلاسيكية، عبر أربعة مجالات تقنية متميزة. تشير النتائج إلى أن NViR تحقق درجة عالية من الدقة في التنبؤ بالقدرة الحيوية، مع قيمة R-squared تبلغ 0.83 في المجال الرئيسي، متفوقة بشكل كبير على الأسس الكلاسيكية (على سبيل المثال، R-squared تبلغ 0.32 لمشفّر الرؤية الكلاسيكية). من الجدير بالذكر أن NViR تظهر قوة في مواجهة التغيرات في ظروف المختبر وأنواع المجاهر، على الرغم من أنها تواجه تحديات مع خصائص بصرية معينة في بعض المجالات.
تتم دراسة قابلية تفسير NViR بشكل أكبر من خلال ربط فضائها الكامن مع العلامات الحيوية المعروفة، مما يكشف عن ارتباطات قوية مع القدرة الحيوية والحالات الفسيولوجية. وهذا يشير إلى أن NViR لا تتنبأ بالقدرة الحيوية بفعالية فحسب، بل تلتقط أيضًا معلومات ذات صلة بيولوجيًا تشبه تقنيات الصبغ الجراحية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على إمكانيات NViR في تقييم سلامة الأدوية، خاصة في التنبؤ بإصابة الكبد الناتجة عن الأدوية (DILI) دون الحاجة إلى اختبارات جراحية. من خلال تمكين المراقبة المستمرة للقدرة الحيوية بمرور الوقت، يعزز NViR عملية تطوير الأدوية، مما يوفر طريقة أكثر كفاءة وموثوقية للكشف المبكر عن السمية. يؤكد المؤلفون على قابلية تكيف NViR مع أنواع الأعضاء المختلفة وإمكانيته للتكامل مع مجموعات بيانات أوسع لتحسين القدرات التنبؤية في البيئات السريرية.
DOI: https://doi.org/10.3389/fbioe.2026.1797474
PMID: https://pubmed.ncbi.nlm.nih.gov/42040772
Publication Date: 2026-04-09
Author(s): Daniel Dubinsky et al.
Primary Topic: Cell Image Analysis Techniques
Overview
The research paper introduces Neural Viability Regression (NViR), a novel deep learning-based approach designed for real-time, non-invasive quantification of cell culture viability using microscopy images. Traditional viability assays are limited by their destructive nature, which confines analyses to single endpoint measurements. NViR addresses this limitation by providing a retrainable framework that was initially validated on liver spheroids but can be adapted for other spheroid types.
In a practical application, human liver spheroids were exposed to 108 FDA-approved drugs, and NViR was utilized to monitor viability over time, enabling the prediction of Drug-Induced Liver Injury (DILI). The results demonstrated that NViR’s viability assessments effectively predicted DILI in humans while allowing for frequent evaluations without compromising the structural integrity of the cultures. This non-destructive method not only captures subtle temporal changes but also significantly reduces both culture and labor costs. Overall, NViR’s cost-effectiveness and high-throughput capabilities position it as a valuable tool for enhancing liver safety protocols and improving the efficiency of drug discovery and development processes.
Methods
In this section, the authors outline the methodology employed in their research, detailing the data collection process, the neural network architecture utilized, and the training procedures implemented. The data collection involved systematic gathering of relevant datasets, which were subsequently processed to ensure quality and relevance for the study. The neural architecture is described, although specific details regarding its structure and components are not provided in this excerpt. Additionally, the training procedure is summarized, indicating the approach taken to optimize the model’s performance.
For further insights and reproducibility, the authors have made all data, code, and trained parameters publicly accessible through a GitHub repository, ensuring transparency and facilitating future research in this domain.
Results
In the Results section, the study presents a detailed analysis across three main subsections. The first subsection rigorously compares the NViR method with various baseline approaches, highlighting its performance advantages. The second subsection emphasizes the interpretability of NViR, demonstrating its capability to identify key factors influencing viability estimations. Finally, the third subsection showcases the practical application of NViR in predicting drug-induced liver injury (DILI), illustrating its potential to enhance non-invasive cell culture analysis and improve drug safety assessments.
Discussion
In this study, the authors present Neural Viability Regression (NViR), a novel deep learning-based method for assessing the viability of spheroid cultures through bright-field microscopy images. The performance of NViR is evaluated against traditional methods, including human expert assessments and classical computer vision approaches, across four distinct technical domains. The results indicate that NViR achieves a high degree of accuracy in predicting viability, with an R-squared value of 0.83 in the primary domain, significantly outperforming classical baselines (e.g., R-squared of 0.32 for the Classical Vision Encoder). Notably, NViR demonstrates robustness to variations in laboratory conditions and microscope types, although it faces challenges with specific optical properties in certain domains.
The interpretability of NViR is further explored by correlating its latent space with established biomarkers, revealing strong associations with viability and physiological states. This suggests that NViR not only predicts viability effectively but also captures biologically relevant information akin to invasive staining techniques. Additionally, the study highlights NViR’s potential in drug safety assessments, particularly in predicting drug-induced liver injury (DILI) without the need for invasive assays. By enabling continuous monitoring of viability over time, NViR enhances the drug development process, providing a more efficient and reliable method for early toxicity detection. The authors emphasize the adaptability of NViR for various organoid types and its potential to integrate with broader datasets for improved predictive capabilities in clinical settings.