江苏龙网

  1. 首页 > 人文 > >

Sci Adv丨深度学习超高分辨率成像发现溶酶体对内质网调控

责编 | 酶美
卷积神经网络（Convolutional Neuron Network ）是计算机视觉领域中的重要架构 。 深度神经网络通过多层卷积层将输入数据进行拆解与重组 ， 从原始的海量数据中逐步提取深层次的特征和抽象信息 。 卷积神经网络在医学影像和基因组学等领域已经彰显了其超越传统机器学习的价值 。 鉴于人工智能、机器学习在生物学研究中发挥越来越重要的作用 ， BioArt对近年来有代表性的工作做了一番梳理（Nature 亮点| AI助力肿瘤诊断新方法——组织和血液的微生物组学分析；Nature亮点 | 谷歌开发AI系统有望走向临床乳腺癌筛查；Nature Medicine | 超大数据集助力人工智能重新定义病理诊断；特别评述 | 人工智助力药物研发：深度学习预测药物调控激酶谱；DeepScreening：基于深度学习的药物虚拟筛选系统；Nat Biomed Eng | 刘奕志/林浩添团队首创婴幼儿视功能人工智能评估技术；Nat Machine Intelligence | 孙红哲/王俊文合作开发深度学习方法预测联系疾病的金属蛋白结合位点突变） 。
日前 ， 剑桥大学的Clemens Kaminski研究组（第一作者为卢萌博士）在Science Advances杂志上发表了题为“The structure and global distribution of the endoplasmic reticulum network are actively regulated by lysosomes ”的研究论文 。该研究基于超高分辨率活细胞动态成像和细胞器光遗传学等分子手段 ， 构建了识别内质网不同特征结构的卷积神经网络 ， 进行自动化（automatic） ， 无偏倚（non-biased）和快速批量的模式识别 ， 分析并统计内质网在不同状态下的结构特征和胞内分布 ， 发现了溶酶体对内质网结构实时动态调控的动力学基础 ， 解析了细胞器相互运动的因果性机制 。 这个工作综合了超高分辨率成像 ， 细胞生物学和深度学习的前沿技术 ， 实现了基于超分辨成像的大规模图像处理和数据分析 ， 从而发现了新的多细胞器作用机制 。
Sci Adv丨深度学习超高分辨率成像发现溶酶体对内质网调控文章插图
胞内细胞器实时发生快速的结构和分布变化 。 这些结构和分布的改变 ， 既受到细胞内部环境的调控 ， 也作为调控手段去影响细胞内环境 ， 执行复杂的细胞功能 。 内质网是胞内最大的细胞器 ， 延伸至胞内每一个角落 ， 形成一张由片状的粗面内质网和管状的光面内质网所构成的网络 。 内质网是蛋白质生产工厂 ， 绝大多数蛋白质的合成和修饰都发生在内质网上 ， 是维持蛋白质稳态的重要一环；内质网也是胞内钙离子的存储器 ， 与几乎所有其他细胞器都有结构上的接合 ， 调控各细胞器和胞内整体的钙离子稳态 。 内质网这张由片状和管状结构共同构成的膜系统持续不断地进行快速和剧烈的结构变化 ， 最为突出的是管状结构的延伸与收缩 ， 而这能直接决定内质网的空间分布和结构形态 ， 如片状和管状结构之间的比例等 ， 从而影响内质网的功能 。 内质网占有超过50%的胞内膜结构 ， 其大范围的快速形变必定受到精确而有力的调控 ， 有深刻的动力学基础和生理学意义 。
对内质网结构的研究由来已久 ， 而随着光学显微技术标记方法的发展 ， 人们可以对活细胞进行动态成像 ， 观察内质网的形态和分布在时间和空间上的变化 。 1988年 ，哈佛大学的陈良博和Christopher Lee利用宽场显微镜观察到了内质网的结构变化 ， 并发现了溶酶体和内质网管状结构的协同运动【1】 。 之后这一现象被不同研究组多次观察到 ， 成像质量也随着技术的发展逐步提升 ， 因而这种协同运动也被广泛认为是内质网运动的主要方式之一 ， 其他的运动方式包括1）管状结构直接结合马达蛋白沿微管组织滑动（sliding） ， 2）管状结构结合微管组织前端进行的协同运动（TAC） 。 2018年 ， 中科院生物物理所李栋课题组和Janelia 研究所的Eric Bezig, Jannifer Lippincott-Schwartz组利用超高时空分辨率成像研究胞内多种细胞器的快速运动和相互作用 ， 其中统计了各种运动方式对内质网管状结构延伸的贡献 ， 发现在其所有运动中 ， 35%的管状结构延伸次数与溶酶体的协同运动有关【2】(详见BioArt报道：Cell突破|李栋组开发新型超分辨成像技术揭示细胞器互作新现象——专家解读点评) 。


推荐阅读


上一篇：三星明年最便宜5G手机或是Galaxy A22 仅千元出头

下一篇：大疆霸气回应，可在美继续销售，占据美77%市场，到底牛在哪？