Pristup tandemske segmentacije i klasifikacije za lokalizaciju morfoloških prediktora životnog vijeka i pokretljivosti C. Elegans

Molimo kontaktirajteoscar.xiao@wecistanche.comza više informacija

Sažetak

C. elegans je uspostavljeni model organizma za proučavanje genetskih učinaka i učinaka lijekova na starenje, od kojih su mnogi sačuvani kod ljudi. To je također bitan model za temeljna istraživanja, a patologije C. elegans novo su područje. Ovdje razvijamo platformu temeljenu na konvolucijskoj neuronskoj mreži s dokazom principa za segmentiranje C. elegans i izdvajanje značajki koje bi mogle biti korisne za predviđanje životnog vijeka. Koristimo skup podataka od 734 crva praćenih tijekom njihovog životnog vijeka i klasificiramo crve na dugovječne i kratkoživuće. Dizajnirali smo WormNet - konvolucijsku neuronsku mrežu (CNN) za predviđanje klase životnog vijeka crva na temelju slika mladih odraslih osoba (dan 1-dan 3 stari odrasli) i pokazali da WormNet, kao i InceptionV3 CNN, može uspješno klasificirati životni vijek. Na temelju U-Net arhitekture razvijamo HydraNet CNN-ove koji omogućuju precizno segmentiranje crva u prednji, srednji i stražnji dio tijela. Kombiniramo HydraNet segmentaciju, WormNet predviđanje i pristup karte aktivacije klasa kako bismo odredili segmente najvažnije za klasifikaciju životnog vijeka. Takav tandemski pristup segmentacije i klasifikacije pokazuje da bi stražnji dio crva mogao biti važniji za klasifikaciju dugovječnih crva. Naš pristup može biti koristan za ubrzavanje otkrivanja lijekova protiv starenja i za proučavanje patologija C. elegans.

Kliknite ovdje da saznate više

UVOD

Nematoda Caenorhabditis elegans (C. elegans) etablirani je model za proučavanje različitih intervencija u proces starenja, što je omogućilo pronalazak brojnih gena i lijekova koji ometaju starenje. 5 od 7 lijekova razine 1 i 4 od 6 lijekova protiv starenja razine 2 koji se razmatraju za ispitivanja na ljudima produljuju životni vijek u modelu C. elegans.cistanche แอ ม เว ย์Postoje mnogi putevi starenja sačuvani među vrstama i očekuje se da će se crvi opsežno koristiti ne samo u istraživanju dugovječnosti, već iu novonastaloj industriji protiv starenja [1]. Osim toga, humanizirani crvi sada se koriste za uspostavljanje obećavajućih modela za neurodegeneraciju [2]. Međutim, za razliku od genetike dugovječnosti, C. elegans fenotipovi starenja još nisu dobro proučeni. Osobito malo znamo o patologijama povezanim sa starenjem i njihovom razvoju, kao io tome koje patologije određuju životni vijek i kako uzrokuju smrt [3]. Nedavno je opisano nekoliko patologija uključujući atrofiju crijeva, tumore maternice i infekcije ždrijela [4-6]. U tom svjetlu, otkrivanje novih patologija C. elegans, posebice određivanje životnog vijeka, postaje važan izazov. Proučavanje patologija kod C. elegans moglo bi pomoći u boljem razumijevanju procesa starenja, kao i mehanizama i učinaka lijekova protiv starenja.

cistanche može spriječiti starenje

Nedavni napredak u strojnom učenju (ML) i dubinskom učenju (DL)[7] može pomoći studijama starenja koje koriste C.elegans otkrivanjem i sažimanjem prethodno neviđenih obrazaca ponašanja i morfoloških obrazaca u velikim eksperimentalnim skupovima podataka. Na primjer, u nedavnom radu nekoliko je fizioloških parametara mjereno longitudinalno, a primjena regresije potpornog vektora omogućila je objašnjenje različite količine varijance u životnom vijeku C. elegans: kretanjem (57 posto), presjekomautofluorescencija (52 posto), stopa polaganja oocita (28 posto)[8]. Zanimljivo je da je otkriveno da veličina legla korelira sa životnim vijekom parenih hermafrodita (r=0.28)[9]. Nadalje, neovisne studije potvrđuju da je funkcija mišića vjerojatno najbolja fiziološka značajka za predviđanje: brzo faringealno pumpanje (r=0.49) i faringealno pumpanje (r=0.83) utvrđeno je da su u visokoj korelaciji s duljinom životnog vijeka [10]. Također, maksimalna brzina 9. dana[11] i stopa opadanja brzine (dani 3-9)[12] predviđaju 71 posto i 91 posto varijabilnosti životnog vijeka u skladu s tim. Također su otkriveni stanični i molekularni prediktori duljine životnog vijeka C. elegans. Utvrđeno je da je ekspresija hsp-16.2 izazvana toplinskim šokom u odraslih osoba prvog dana u korelaciji sa životnim vijekom [13]. Bez zbunjujućih učinaka intervencija poput toplinskog šoka, bazalna ekspresija busena-3 9. dana također je u korelaciji sa životnim vijekom (r=0.57), što vjerojatno odražava odgovor na patogenu hranu [14]. Izraz Mir-71 od 4. dana nadalje može biti vrlo prediktivan i objašnjava 47 posto varijabilnosti životnog vijeka [15]. Iznenađujuće, snažna inverzna korelacija (r =-0.93) između veličine jezgrice (izmjerene 1. dana) i dugovječnosti ukazuje na dereguliranu sintezu proteina kao važnu komponentu starenja[16]. Važno je napomenuti da je rano pristup strojnog vida također primijenjen za klasifikaciju fenotipova starenja kod C. elegans. Konkretno, linearni diskriminantni klasifikator korišten je za odvajanje slika ždrijela različite starosti za kasniju molekularnu karakterizaciju [17].

Među ostalim metodama, jedan od najmoćnijih pristupa strojnom učenju, posebno za analizu slika, je korištenje konvolucijskih neuronskih mreža (CNN) [18], koje su inspirirane organizacijom neuronske mreže vizualnog korteksa. CNN je omogućio postizanje impresivnih rezultata u prepoznavanju slika, s performansama koje su gotovo ljudske na MNIST skupu podataka i nadmašio je ljude u prepoznavanju prometnih znakova za faktor dva [19]. CNN je više puta pokazao najbolju izvedbu tijekom "ImageNet Large Scale Visual Recognition Challenge" u klasifikaciji slika [20,21].koliko cistanche uzetiUvođenje preskočenih veza s CNN-om dramatično je poboljšalo njihovu brzinu i točnost, a takvi rezidualni CNN-ovi sada su najsuvremeniji za klasifikaciju slika [22, 23]. Rezidualne mreže enkoder-dekodera kao što su U-Net [24], V-Net i Tiramisu također nadmašuju klasične metode ekstrakcije granica, praga i regije koje se koriste u području segmentacije medicinske slike [25]. Unatoč impresivnim rezultatima s DL pristupima, jedan od glavnih nedostataka je to što su DL mreže crne kutije pa je teško dobiti karakteristike važne za donošenje odluka od strane mreže [26]. Kako bi se zaobišao ovaj nedostatak, predloženo je nekoliko tehnika istaknutosti [27-29]. Jedna takva tehnika je korištenje sloja skupljanja globalnih prosjeka za proizvodnju takozvane mape aktivacije klase (CAM) i lokaliziranja područja slike specifične za klasu na nenadzirani način [30]. Proizvedene generičke dubinske karakteristike koje se mogu lokalizirati mogu pomoći istraživačima u razumijevanju osnove diskriminacije koju koriste CNN-ovi za svoje zadatke. Međutim, do sada nisu razvijeni nikakvi pristupi za kombiniranje biološki značajne segmentacije slike i klasifikacijske istaknutosti kako bi se olakšalo otkrivanje fenotipa kroz interpretaciju.

Zanimljivo, CNN je nedavno korišten za predviđanje životnog vijeka crva. U prvom radu korišten je skup podataka od 913 slika C. elegans. Svaka vremenska točka (dan) ima najmanje 30 crva i svi su bili anestezirani prije snimanja. Arhitektura temeljena na InceptionResNetV2- postigla je srednju apsolutnu pogrešku (MAE) od 0.96 dana u regresijskom načinu rada i točnost od 57,6 posto u načinu klasifikacije [31]. U drugom radu autori su koristili automatski sustav snimanja koji je mogao pratiti istog crva tijekom cijelog životnog vijeka, pa su imali podatke za 734 crva za koje su slike snimane svaka 3,5 sata. Koristili su U-Net za segmentiranje crva iz pozadine, a zatim su izveli regresiju koordinata tijela crva kako bi stvorili ispravljene prikaze crva. Zatim su upotrijebili modificirani ResNet34 i uspjeli regresirati starost crva s minimalnim MAE od 0,6 dana za neobrađene slike [32].

Ovdje smo koristili isti skup podataka kao u [8, 32], no umjesto predviđanja starosti svakog crva, razvili smo platformu temeljenu na CNN-u koju smo nazvali WormNet i koja je sposobna klasificirati mlade odrasle (dan 1-3) u kratkotrajne i dugovječni, te također dizajnirati pristup za izdvajanje značajki važnih za takvu klasifikaciju. Slično, primijenili smo WormNet za klasifikaciju kretanja C. elegans. Kako bismo protumačili rezultate klasifikacije po dizajnu, uz klasifikaciju CNN dodali smo tandemsku segmentaciju CNN. Za to smo osmislili novu arhitekturu temeljenu na U-Netu (HydraNet) za segmentiranje crva iz pozadine i također segmentiranje tijela crva na prednji, srednji i stražnji dio. Tumačenje rezultata klasifikacije postignuto je ujedinjenjem HydraNet segmentacije i mapa aktivacije klasa generiranih korištenjem WormNeta. Analiza mapa aktivacije klase u kombinaciji sa segmentacijom dijelova tijela na takav tandemski način omogućila nam je izdvajanje značajki odgovornih za predviđanje životnog vijeka. Konačno, korištenjem segmentirane verzije slika C. elegans u višoj razlučivosti, potvrdili smo svoje rezultate u rezidualnom CNN InceptionV3 većeg izražajnog kapaciteta popraćenog ručnim tumačenjem.

REZULTATI

Podaci o vremenskom tijeku za 734 C. elegans uhvaćeni od 1. dana odrasle dobi do smrti korišteni su za razvoj naše platforme prototipa [8,15]. Kako bismo razvili pristup za automatiziranu interpretabilnost ovih slika, pozabavili smo se problemom segmentiranja crva iz njihove pozadine, kao i razlikovanjem morfoloških dijelova crva (Slika 1). Za ovo smo ručno označili 130 slika odraslih crva s maskama za prednji dio, središnji dio tijela, stražnje dijelove crva i zbrajanje do ukupne maske crva (Slika 1F-1H). Ovaj skup podataka je zatim podijeljen u niz (90) i test (40) frakcije na temelju ID-a skupa podataka pojedinačnog crva kako bi se osiguralo da karakteristike pojedinačnog crva neće procuriti u testno držanje- van. Prvo, kako bismo riješili problem ukupne segmentacije crva, konstruirali smo relativno plitku arhitekturu sličnu U-Netu [24] popraćenu sigmoidnom glavom za binarnu klasifikaciju. Radi jasnoće, dijelovi U-Neta za kodiranje i dekodiranje prikazani su na slici 1A kao i . Neobrađene slike su smanjene na 96 × 96 piksela radi računalne učinkovitosti. Koristili smo Dice funkciju gubitka i pratili Jaccardov indeks kako bismo procijenili kvalitetu segmentacije. Na ovom relativno jednostavnom problemu segmentacije Jaccardov indeks dosegao je 0,97 i na nizu i na testnim frakcijama (Slika 1A, 1B, vidi Materijale i metode za detaljne hiperparametre). Dalje, kako bismo proširili ovaj pristup na segmentaciju pojedinačnih dijelova tijela C. elegans, preformulirali smo problem kao višeklasnu segmentaciju s jednokratno kodiranim maskama i sličnom arhitekturom nalik na U-Net (Slika 1C, 11). Nije iznenađujuće, budući da je klasifikacija u više klasa teži problem, to je dovelo do lošije izvedbe od 0,92 i 0,91 Jaccardovog indeksa na vlaku i testnoj frakciji, što ukazuje na blagi overfit.

Zanimljivo je da jedan aspekt U-Neta s više klasa nije dobro funkcionirao bilo je razlikovanje prednjeg i stražnjeg dijela crva što je dovelo do stvaranja preklapajućih maski (Slika 1I). Kako bismo zaobišli ovo ograničenje, dizajnirali smo alternativnu arhitekturu koja koristi U-Net a i dijelove, s više dijelova posvećenih svakom vlastitom problemu binarne segmentacije (Slika 1D, 1E), koji smo nazvali HydraNet. Takav pristup stvara zajednički obučenu arhitekturu sa zajedničkim ulaznim slojevima i slojevima posvećenim svakom od morfoloških dijelova crva, omogućujući model od kraja do kraja, dok rješava jednostavniji problem binarne klasifikacije. HydraNet3 je opremljen s 3 dijela posvećena prednjem, srednjem i stražnjem dijelu tijela crva. HydraNet4 je pak bio opremljen s 4 dijela posvećena prednjem dijelu, sredini tijela, stražnjim dijelovima kao i cijelom tijelu crva. Kako bismo procijenili zajedničku izvedbu HydraNet-a, izmjerili smo Jaccardov indeks za svaki dio pojedinačno i na kraju procijenili prosječni Jaccardov indeks. Zanimljivo je da su i HydraNet3 i HydraNet4 postigli prosječni Jaccardov indeks 0.97 i na nizu i na testnim frakcijama pokazujući dobru generalizaciju (Slika 1D, IE, 1J, 1K). Važno je napomenuti da je HydraNet4 postigao pretvorbu ranije od HydraNet3 (Slika 1D, IE umetci) što sugerira potencijalni pozitivan učinak praćenja arhitekture s općenitijom semantičkom klasom.

Dalje, kako bismo dobili klasifikatore za C. elegans kretanje ili životni vijek, podijelili smo svih 734 crva u 2 klase ukupne količine kretanja: nisko ili visoko kretanje procijenjeno kao pokretljivost iznad ili ispod prosječne udaljenosti puzanja tijekom životnog vijeka; i 2 klase životnog vijeka: 'kratkotrajni' sa životnim vijekom 7 dana ili manje, i 'dugotrajni' sa životnim vijekom 8 dana i više. Zadatak je bio predvidjeti razrede na temelju slika prvog, drugog ili trećeg dana. Budući da je skup podataka relativno malen, uporaba arhitektura visokog izražajnog kapaciteta mogla bi dovesti do prekomjernog opremanja. Stoga smo osmislili relativno plitak CNN koji smo nazvali WormNet. Ova se arhitektura sastojala od 5 konvolucijskih slojeva, nakon kojih je svaki slijedio sloj za maksimalno udruživanje. Izostavljanje i skupna normalizacija implementirani su za svaki konvolucijski sloj u neuronskoj mreži kako bi se poboljšala generalizacija.što je cistanchePosljednji maksimalni sloj udruživanja spljošten je i pričvršćen na potpuno povezani sloj nakon kojeg je slijedio softmax sloj. Koristili smo binarnu kros-entropiju kao funkciju gubitka. Svi slojevi, osim potonjeg, koristili su ispravljenu linearnu jedinicu (ReLU) kao aktivacijsku funkciju (Slika 2A, vidi Materijale i metode za detaljne hiperparametre). WormNet je korišten za dobivanje klasifikatora kretanja i životnog vijeka (slike 2 i 3). Kako bismo dodatno ublažili potencijalno prekomjerno opremanje, izveli smo 30-preklopno povećanje podataka pomoću Kerasovih generatora slika. Točnije, slike su podložne nasumičnim horizontalnim i okomitim okretanjima, vodoravnim i okomitim pomacima unutar raspona od 10 posto, kao i nasumičnim rotacijama unutar raspona od 90 stupnjeva u odnosu na izvornik. Praznine u transformiranim slikama popunjene su pomoću strategije najbliže vrijednosti.

WormNet je pokazao dobre performanse u ukupnoj klasifikaciji kretanja dosegnuvši 88 posto točnosti (preciznost 0.86, opoziv 0.86, područje ispod krivulje za radnu karakteristiku prijemnika - AUC ROC - bio je 0.56) na skupu testnih podataka za frakciju odraslih osoba 3. dana. Učinkovitost slika za dan 1 i dan 2 bila je nešto niža (Slika 2B-2D) s ROC AUC od 0.51 odnosno 0.55. Kako bismo osigurali da na naše predviđanje većinom utječe morfologija crva, a ne njegova okolina, generirali smo skup podataka sintetičkih pozadinskih slika s kojih je C. elegans uklonjen kroz segmentaciju. Kako bismo ublažili utjecaj siluete crva na trening, ispunili smo preostalih nula piksela nasumičnim šumom (dodatna slika 1). Naši rezultati sugeriraju da se izvedba modela uglavnom pripisuje morfologiji C. elegans, a ne pozadini slika. Kako bismo procijenili koji bi dio tijela mogao biti odgovoran za donošenje odluka WormNeta, korištenjem našeg tandemskog segmentacijsko-klasifikacijskog pristupa dobili smo CAM-ove za crva niske klase kretanja (Slika 2E, 2F) i crva visoke pokretljivosti (Slika 2G, 2H) od WormNet.bioflavonoidiZatim je svaka slika segmentirana pomoću HydraNet4 i dobivena je unija WormNet gornjeg kvartila CAM sa segmentacijom morfološkog dijela iz HydraNet4. Za potrebe tumačenja, izračunali smo postotak CAM-ova koji pripadaju odgovarajućem morfološkom segmentu za svakog pojedinačnog crva koji pripada klasi visoke ili niske pokretljivosti. Nadalje, procijenili smo značaj ove interpretacije usporednog dizajna koristeći jednosmjernu ANOVA-u s Tukeyjevom korekcijom poštene značajne razlike (HSD) (Slika 2F-crvi s malim kretanjem, Slika 2H - crvi s velikim kretanjem). Usporedba je pokazala da je prednji dio bio pokriven značajno manje (31 posto) nego srednji dio tijela (34 posto) i stražnji dijelovi (34 posto) i za crve s niskim i brzim pokretima. Nije bilo značajne razlike između srednjeg i stražnjeg dijela tijela.

Zatim smo koristili WormNet za klasifikaciju dugotrajnih i kratkotrajnih crva. Slično klasifikaciji kretanja, WormNet je imao bolje rezultate na uzorku odraslih osoba trećeg dana postigavši ​​točnost od 72 posto (preciznost 0.73, podsjetimo 0.71, AUC ROC 0.61) na testni skup podataka, u usporedbi s AUC ROC od 0.53 i 0.52 za ​​2. odnosno 1. dan.kupiti cistancheAnaliza matrice zabune sugerira da je CNN bio slabiji u klasifikaciji kratkoživućih crva (Slika 3A-3C). Zatim smo protumačili klasifikator koristeći tandem HydraNet4 i WormNet popraćen jednosmjernim ANOVA statističkim testom. U slučaju klasifikacije životnog vijeka, tumačenje prema dizajnu sugerira da je s 32 posto prednji dio značajno manje izražen u CAM-ovima u usporedbi sa sredinom tijela i stražnjim dijelom (Slika 3D, 3E-kratak životni vijek, Slika 3F, 3G-dug životni vijek). Ova je razlika bila manje značajna za dug životni vijek nego za kratki životni vijek. Nije bilo značajne razlike između srednjeg i stražnjeg dijela tijela.

Kako bismo provjerili ove nalaze na neovisan način, uvježbali smo još jedan klasifikator životnog vijeka koristeći preostalu arhitekturu InceptionV3 [3] popraćenu ručnim tumačenjem (Slika 4). Nadalje, u ovom slučaju kako bi se osigurala visoka razlučivost CAM-ova umjesto skaliranja na 96×96 piksela, korištene su slike pune rezolucije 900×900 obrezane na 800×800 piksela (516×516 μm). Kao CNN s mnogo većim izražajnim kapacitetom, InceptionV3 bio je sklon prekomjernom opremanju našeg relativno malog skupa podataka (Slika 4C, 4D). Kako bismo to zaobišli, implementirali smo rano zaustavljanje tijekom treninga. Osim toga, segmentirali smo crve iz njihove pozadine osiguravajući da je InceptionV3 predstavljen samo s relevantnim dijelom slike. InceptionV3 radio je slično kao i WormNet s točnošću koja je dosegnula 70 posto na testnom skupu podataka za klasifikaciju životnog vijeka (Slika 4A). U skladu s tandem HydraNet4-WormNet pristupom tumačenju, u slučaju ručnog tumačenja, InceptionV3 CAM je rjeđe naglašavao prednji dio crva. Međutim, što je važno, zbog veće razlučivosti ulaznih slika, CAM-ovi sada mnogo bolje lokaliziraju dijelove tijela, omogućujući dodjeljivanje dijela tijela kao mogućeg diskriminatora u svakom slučaju (Slika 4B). Zanimljivo je da distribucija dijelova tijela istaknuta CAM-ovom analizom pokazuje da je stražnji dio važniji za klasifikaciju dugoživućih crva, što sugerira da bi se značajke koje predviđaju dugovječnost mogle nalaziti u stražnjem dijelu tijela crva.

RASPRAVA

Unatoč tome što je C. elegans klasičan model u istraživanju starenja s više od 4000 objavljenih radova do danas i napretku u robotici, proces mjerenja životnog vijeka C. elegans još uvijek je ručan i naporan. Međutim, pojavljuju se novi pristupi poput stroja za mjerenje životnog vijeka koji koristi plošne skenere za simultanu procjenu održivosti velike populacije crva na pločama [34]. Drugi pristup je Worm corals - automatizirana metoda vermikulture koja omogućuje praćenje crva tijekom njihovog životnog vijeka s puno boljim detaljnim mjerenjima [8]. Detaljni fiziološki podaci dobiveni na Worm koraljima pokazali su da su kretanje, autofluorescencija i degradacija teksture najbolji pokazatelji životnog vijeka. Međutim, ostaje nejasno koje točno morfološke značajke odražavaju patologiju i određuju duljinu životnog vijeka. Također je utvrđeno da fiziološka mjerenja prije 3. ili 4. dana odrasle dobi i pojedinačni GFP označeni biomarkeri ne mogu razlikovati kratkoživuće i dugovječne gliste [8,15]. Predviđanja temeljena na nukleolarima napravljena na dan 1 odraslih jedinki izvode se korištenjem povećanja od 100x na fiksiranim crvima, što nije moguće ostvariti ni za jednu platformu za automatizirani pregled.

Ovdje smo radili sa skupom podataka generiranim u laboratoriju Pincus [8,15] i pokazali da je primjena novodizajniranog WormNeta bila u stanju uspješno razlikovati kratkoživuće i dugovječne crve čak i za slike snimljene prvog ili drugog dana; važno je da je za dan 3 CNN pokazao najbolju izvedbu (Slika 2A-2C). WormNet je bio još bolji u klasificiranju crva s visokim i niskim ukupnim kretanjem, postigavši ​​88 posto točnosti za odrasle jedinke prvog dana (Slika 3). Očekujemo da će generirati više podataka i razvoj CNN-a predviđati životni vijek [32]. Kao što je ranije spomenuto, autori su segmentirali crve i stvorili ispravljene prikaze crva, koji su korišteni za obuku CNN-a [32]. Povećani broj uzoraka poboljšao je regresijsko predviđanje starosti crva. Zanimljivo je da su autori ograničili samo pronađenu siluetu crva za procjenu starosti, dok pozadinske informacije mogu značajno poboljšati točnost, iako je prediktivna vrijednost pozadine artefakt eksperimentalnih uvjeta. Stoga bi moglo biti moguće da se prediktivna točnost WormNeta u našim simulacijama može djelomično objasniti pozadinskim informacijama. Međutim, kao što sugeriraju naši eksperimenti (dodatna slika 1), performanse WormNeta uglavnom ovise o morfologiji C. elegans, a ne o pozadini slika. Važno je da je prethodna obuka na prikazima tjelesnih koordinata u [32] poboljšala točnost na neobrađenim slikama što sugerira da su organi crva i tekstura korisni za predviđanje dobi.

Uz klasifikaciju životnog vijeka ili kretanja na temelju slika mladih odraslih osoba, također smo željeli pronaći značajke važne za predviđanje. Kao prototipni zadatak odlučili smo odrediti koji dio tijela - prednji, središnji ili stražnji dio tijela sadrži značajke koje najviše utječu na duljinu životnog vijeka. Dizajnirali smo HydraNet 3 i 4, nove arhitekture temeljene na U-Netu i pokazali da mogu uspješno segmentirati dijelove tijela crva postižući savršene vrijednosti Jaccard indeksa. Važno je da smo za razvoj pristupa tumačenja prema dizajnu upotrijebili tandem biološki smislenih klasifikacija (životni vijek i kretanje) dajući značajnost putem mapa aktivacije klasa [30, 35] i morfološke segmentacije (prednje, središnje i stražnje regije) kako bismo pronašli koji dio tijela je koristan za klasifikacije. Nadalje, iako manje riješeni, nalazi dobiveni tandemskim pristupom bili su u skladu s neovisno obučenim klasifikatorom. Ovaj binarni klasifikator temelji se na InveptionV3 CNN. Uvježban je na slikama pune optičke razlučivosti od 800 × 800 piksela s crvima segmentiranim iz njihove pozadine i postignuti su rezultati usporedivi s WormNetom, iako je model manje moguće generalizirati zbog više pretjeranog opremanja (Slika 4). Međutim, u slučaju InceptionV3, različiti dijelovi tijela mogu se lokalizirati na CAM-ovima, a analize sugeriraju da bi karakteristike smještene u stražnjem dijelu crva mogle biti važnije za klasifikaciju dugovječnih crva. Ovaj pristup pruža mogućnost otkrivanja novih važnih biomarkera starosti kod C. elegans u automatiziranim uvjetima, s obzirom na značajno povećanje rezolucije slike i korištenje prikaza koordinata tijela. Neobilježeni organi poput ždrijela ili entiteta označenih GFP-om mogu se segmentirati korištenjem HydraNetsa i procijeniti njihovu sposobnost predviđanja životnog vijeka korištenjem CAM pristupa i WormNeta. Primamljivo je nagađati da bi se, slično generativnim suparničkim mrežama [36], buduće implementacije interpretabilnosti prema dizajnu kroz tandem segmentacije i klasifikacije mogle obučavati od kraja do kraja i koristiti za rutinska znanstvena otkrića. Automatizirana analitička platforma s dokazom principa bit će korisna za neinvazivno otkrivanje biomarkera starenja, osobito kod mladih 1-3 odraslih C. elegansa. To ima veliki potencijal za ubrzavanje farmaceutskog pregleda za lijekove protiv starenja. Razvoj metodologije također će pomoći u pronalaženju i karakterizaciji novih patologija kod C. elegans važnih za temeljna istraživanja starenja. Da bismo šifru učinili dostupnom istraživačkoj zajednici, deponirali smo.

Ovaj je članak izvađen s www.aging-us.com STARENJE 2022, sv. 14, broj 4