DOI: https://doi.org/10.1038/s41592-025-02665-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40341204
تاريخ النشر: 2025-05-01
المؤلف: Jacob Kæstel‐Hansen وآخرون
الموضوع الرئيسي: تقنيات المجهر الفلوري المتقدمة
نظرة عامة
يقدم هذا القسم نظرة عامة على إطار عمل جديد للتعلم العميق، DeepSPT، مصمم لتحليل الانتشار تحت الخلوي في الأنظمة الحية. يتناول هذا الإطار التحديات المرتبطة بالعملية الشاقة لاستخراج المعلومات الوظيفية من انتشار الجزيئات والعضيات على النانو. لقد مكنت التقدمات الأخيرة في المجهر الضوئي من تتبع هذا الانتشار بدقة، لكن التفسير الآلي لا يزال عقبة كبيرة.
يسهل DeepSPT التحليل السريع والفعال للسلوك الزمني ثنائي أو ثلاثي الأبعاد للأجسام، مما يوضح قابليته في رسم أحداث العدوى الفيروسية المبكرة. ينجح الإطار في تحديد هياكل تحت خلوية متنوعة، مثل العضيات الحويصلية والحفر المغلفة بالكلاثرين، محققًا درجات F1 تبلغ 81% و82% و95%، على التوالي، في غضون ثوانٍ بدلاً من أسابيع. تؤكد هذه القدرة على أهمية الحركة في نقل المعلومات الوظيفية على المستويات الجزيئية وتحت الخلوية، مما يبرز أن أنماط الانتشار يمكن أن تكشف عن رؤى بيولوجية تتجاوز الملاحظات الهيكلية.
طرق
في هذا القسم، يصف المؤلفون الطرق المستخدمة لتصوير المجهر الضوئي ذو الشريحة الشبكية (LLSM) وتتبع الجزيئات الفردية (SPT) لفيروس الروتا، EEA1-mScarlett، NPC1-Halo-JFX646، وAP2. استخدم الإعداد التجريبي مجهر LLSM مبني داخليًا، يعمل في وضع مسح العينة مع تباعد محور تصوير z يبلغ 0.25 ميكرومتر، لإنشاء مقاطع فيديو جزيئية تتكون من أحجام ثلاثية الأبعاد من خلال إضاءة شريحة ضوئية متعددة بيسل متذبذبة. تم تفصيل أوقات التعرض ومعدلات الإطارات لكل تجربة في الجدول التكميلي 4. خضعت كومات z الناتجة لعملية إزالة الانحراف، تلتها خوارزمية تتبع آلية تم تنفيذها في MATLAB، استنادًا إلى إطار عمل u-track، والتي تضمنت ملاءمة المربعات الصغرى لجوسي ثلاثي الأبعاد لاكتشاف وربط مصادر الضوء النقطية، مما يولد مسارات xyzt.
لتقييم خطأ التحديد في LLSM، قام المؤلفون بمحاكاة دوال انتشار النقاط (PSFs) التي تعكس PSF التجريبي عبر الأبعاد x وy وz. تضمنت هذه المحاكاة ملاءمة جوسي لخرز تجريبي تحت نفس ظروف مسح العينة كما هو الحال في جمع البيانات الفعلي. تم دمج PSFs المحاكية مع ضوضاء خلفية تعكس الظروف التجريبية، مما يولد 100 إطار من كومات z مع كثافات خلفية متغيرة لمحاكاة تقلبات الضوضاء الواقعية. تم تكرار هذه العملية المحاكية لخمس كثافات مختلفة من PSF، وتم تحليل البيانات الناتجة باستخدام طريقة اكتشاف المصدر النقطي، مما يسمح بإجراء مقارنة ضد الحقيقة المعروفة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج الهامة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط واضح بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بسلوك النظام، كما يتضح من قيمة معامل التحديد العالية ($R^2$)، مما يشير إلى توافق قوي بين القيم المرصودة والمتوقعة. تشمل النتائج أيضًا تمثيلات رسومية توضح الاتجاهات والعلاقات المحددة، مما يدعم المزيد من الاستنتاجات المستخلصة من البيانات. بشكل عام، تدعم النتائج الفرضيات وتوفر أساسًا قويًا لتوجيهات البحث المستقبلية.
مناقشة
إطار DeepSPT هو أداة شاملة للتعلم العميق مصممة لتحليل السلوك الزمني لانتشار الجزيئات الحيوية في الأنظمة البيولوجية. يتكون من ثلاثة وحدات مترابطة: وحدة تقسيم السلوك الزمني، وحدة بصمة الانتشار، ومصنف خاص بالمهمة. تستخدم وحدة التقسيم مجموعة من الشبكات العصبية المدربة مسبقًا لتصنيف مسارات الجزيئات الفردية إلى سلوكيات انتشار متميزة، مثل الحركة الطبيعية، الموجهة، المحصورة، وتحت الانتشار. تم تدريب هذه الوحدة على مجموعة بيانات كبيرة تضم 900,000 مسار، مما يعزز قابليتها للتكيف عبر سياقات بيولوجية متنوعة. تولد وحدة بصمة الانتشار مجموعة ميزات قوية توسع تحليل الخصائص الانتشارية، بينما يتنبأ المصنف الخاص بالمهمة باحتمالات الفئات بناءً على هذه الميزات، مما يوضح فائدته في مهام مثل تحديد مراحل العدوى الفيروسية.
تم التحقق من أداء DeepSPT من خلال عدة مخططات تقييم، مما يظهر دقته الفائقة في تصنيف سلوكيات الانتشار مقارنة بالطرق الحديثة الموجودة. حقق دقة متوسطة تبلغ 96% لكل مسار وأظهر القدرة على تصنيف السلوكيات المعقدة مع الحد الأدنى من الارتباك بين أنواع الحركة المختلفة. من الجدير بالذكر أن DeepSPT كان قادرًا على أتمتة تحليل آليات هروب الفيروس، محققًا دقة عالية في اكتشاف أحداث إزالة الغلاف بناءً فقط على الحركة، مما يلغي الحاجة إلى التوسيم متعدد الألوان. علاوة على ذلك، فإن قدرة الإطار على استنتاج هوية الجزيئات الحيوية والتوطين الخلوي بناءً على الخصائص الانتشارية تقلل بشكل كبير من الاعتماد على تقنيات التصوير التقليدية متعددة الألوان، مما يبسط سير العمل التجريبي ويعزز كفاءة جمع البيانات. بشكل عام، يمثل DeepSPT تقدمًا كبيرًا في التحليل الكمي لانتشار الجزيئات الحيوية، مما يوفر أداة متعددة الاستخدامات وقوية للباحثين في هذا المجال.
DOI: https://doi.org/10.1038/s41592-025-02665-8
PMID: https://pubmed.ncbi.nlm.nih.gov/40341204
Publication Date: 2025-05-01
Author(s): Jacob Kæstel‐Hansen et al.
Primary Topic: Advanced Fluorescence Microscopy Techniques
Overview
The section presents an overview of a novel deep learning framework, DeepSPT, designed to analyze subcellular diffusion in living systems. This framework addresses the challenges associated with the labor-intensive process of extracting functional information from the nanoscale diffusion of molecules and organelles. Recent advancements in optical microscopy have enabled precise tracking of this diffusion, but automated interpretation remains a significant hurdle.
DeepSPT facilitates the rapid and efficient analysis of the two- or three-dimensional temporal behavior of objects, demonstrating its applicability in mapping early viral infection events. The framework successfully identifies various subcellular structures, such as endosomal organelles and clathrin-coated pits, achieving F1 scores of 81%, 82%, and 95%, respectively, in a matter of seconds rather than weeks. This capability underscores the importance of motion in conveying functional information at the molecular and subcellular levels, highlighting that diffusion patterns can reveal biological insights beyond structural observations.
Methods
In this section, the authors describe the methods employed for Lattice Light-Sheet Microscopy (LLSM) imaging and single-particle tracking (SPT) of Rotavirus, EEA1-mScarlett, NPC1-Halo-JFX646, and AP2. The experimental setup utilized an in-house built LLSM, operating in sample scan mode with a z-imaging axis spacing of 0.25 μm, to create molecular videos comprising 3D volumes through dithered multi-Bessel lattice light-sheet illumination. Specific exposure times and frame rates for each experiment are detailed in Supplementary Table 4. The resulting z-stacks underwent de-skewing, followed by an automated tracking algorithm implemented in MATLAB, based on the u-track framework, which involved least-squares fitting of a 3D Gaussian to detect and link punctate light point sources, generating xyzt trajectories.
To evaluate localization error in the LLSM, the authors simulated point spread functions (PSFs) that mirrored the experimental PSF across x, y, and z dimensions. This simulation involved fitting a Gaussian to an experimental bead under the same sample scan conditions as the actual data collection. The simulated PSFs were combined with background noise reflective of experimental conditions, generating 100 frames of z-stacks with varying background intensities to mimic realistic noise fluctuations. This simulation process was repeated for five different PSF intensities, and the resultant data were analyzed using the point source detection method, allowing for a comparison against the known ground truth.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a clear correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the behavior of the system, as evidenced by a high coefficient of determination ($R^2$) value, indicating a strong fit between the observed and predicted values. The findings also include graphical representations that illustrate the trends and relationships identified, further supporting the conclusions drawn from the data. Overall, the results substantiate the hypotheses and provide a robust foundation for future research directions.
Discussion
The DeepSPT framework is a comprehensive deep learning tool designed to analyze the temporal behavior of biomolecular diffusion in biological systems. It consists of three interconnected modules: a temporal behavior segmentation module, a diffusional fingerprinting module, and a task-specific downstream classifier. The segmentation module utilizes an ensemble of pretrained U-Nets to categorize single-particle trajectories into distinct diffusional behaviors, such as normal, directed, confined, and subdiffusive motion. This module is trained on a large dataset of 900,000 trajectories, enhancing its adaptability across various biological contexts. The diffusional fingerprinting module generates a robust feature set that expands the analysis of diffusional properties, while the downstream classifier predicts class probabilities based on these features, demonstrating its utility in tasks like identifying stages of viral infection.
DeepSPT’s performance was validated through multiple evaluation schemes, showcasing its superior accuracy in classifying diffusional behaviors compared to existing state-of-the-art methods. It achieved a median accuracy of 96% per trace and demonstrated the ability to classify complex behaviors with minimal confusion between different motion types. Notably, DeepSPT was able to automate the analysis of viral escape mechanisms, achieving high accuracy in detecting uncoating events based solely on motion, thus eliminating the need for multicolor labeling. Furthermore, the framework’s capacity to infer biomolecular identity and cellular localization based on diffusional characteristics significantly reduces the reliance on traditional multicolor imaging techniques, thereby streamlining experimental workflows and enhancing data acquisition efficiency. Overall, DeepSPT represents a significant advancement in the quantitative analysis of biomolecular diffusion, providing a versatile and powerful tool for researchers in the field.