使用成像流式细胞术和人工智能实现微核检测自动化
2023年1月27日
微核 （MN） 测定是量化 DNA 损伤的成熟测试。然而，使用常规技术（如手动显微镜或基于特征的图像分析）对测定进行评分既费力又具有挑战性。本文描述了开发人工智能模型以使用成像流式细胞术数据对 MN 测定进行评分的方法。
使用成像流式细胞术进行微核测定克服了传统方法的许多局限性，包括通量低、分数可变性和缺乏事件的视觉确认。该技术的主要优点是可以使用成像流式细胞术获取所有关键事件，并使用人工智能进行分析。该方法有可能用于化学品和其他化合物的大规模筛选，以比目前更高的通量测试毒性。
在构建新的AI模型时，主要挑战是获得足够的微核细胞图像，因此使用图像标记算法非常重要。首先，启动人工智能或人工智能软件。在"实验类型"下，单击"训练"旁边的单选按钮以启动用于构建卷积神经网络或 CNN 模型的训练实验，然后单击"下一步"。
在"类名"上，单击"添加"。在弹出窗口中，键入单核，然后单击"确定"将单核类添加到类名列表中。重复此过程以添加其他类名称，例如 MN 单核、双核、MN 双核、多核和不规则形态。
在"选择文件"下，单击"添加文件"，然后浏览要添加到 AI 软件的所需文件，以构建真实数据。接下来，在"选择基本种群"屏幕上，从种群层次结构中找到"非凋亡种群"。然后右键单击非凋亡群体，选择选择所有匹配群体，然后单击下一步。
要分配具有微核的单核细胞的标记真实群体，请单击左侧模型类下的 MN 单核类，然后单击右侧的相应标记真实群体。分配所有适当的真值总体后，单击下一步。在"选择通道"屏幕上，确保为实验选择了适当的通道。
在这里，选择明场或BF作为通道一，选择DNA群作为通道七，然后单击下一步。最后，在"确认"屏幕上，单击"创建实验"。单击标记以启动标记工具界面。
然后单击缩放工具裁剪图像以便于查看。然后单击滑块以调整图像大小并确定要在图库中显示的图像数量。单击"显示设置"选项并选择最小-最大值，这将为识别所有关键事件提供最佳对比度图像。
接下来，单击设置库显示将DNA图像的颜色更改为黄色或白色，这将改善小物体的可视化。单击聚类以运行算法，将具有相似形态的图像分组在一起。聚类完成后，单击各个聚类并开始将图像分配给适当的模型类。
将至少 25 个对象分配给每个模型类后，预测算法将变为可用。单击预测。预测算法完成运行后，将预测类中的对象添加到相应的模型类。
将至少 100 个对象分配给每个模型类后，单击屏幕顶部的"训练"选项卡，然后单击"训练"按钮。模型训练完成后，单击"查看结果"以评估模型准确性。模型训练完成后，单击菜单按钮以定义新实验。
在实验类型下，单击分类旁边的单选按钮以启动分类实验，然后单击下一步。单击要用于分类的模型，然后单击"下一步"。在"选择文件"屏幕上，单击"添加文件"。
浏览要按 CNN 模型分类的文件，然后单击"下一步"。接下来，在"选择基本种群"屏幕上，单击其中一个加载文件中非凋亡群体旁边的复选框。右键单击"非凋亡群体"，单击"选择所有匹配群体"以从所有加载的文件中选择此群体，然后单击"下一步"。
在"选择通道"屏幕上，验证是否为明场选择了通道一，是否为 DNA 染色选择了通道 7，然后单击下一步。最后，在确认屏幕上，单击创建实验。AI软件从所选数据文件中加载所选模型和所有图像。
加载后，单击完成。接下来，单击分类以启动分类屏幕。并使用复选框选择使用随机森林或射频以及 CNN。
然后点击分类按钮。这将开始使用 RF 和 CNN 模型对其他数据进行分类并识别属于指定模型类的所有对象的过程。分类完成后，单击查看结果。
单击更新 DAF 按钮以显示具有分类结果的更新 DAF，然后单击确定以更新 DAF 文件。要生成报告，请在结果屏幕上单击生成报告。如果需要为每个输入 DAF 提供单独的报告，请选中为每个输入 DAF 创建报告旁边的复选框。
否则，只需单击"确定"即可获取报告。AI 辅助聚类算法根据未分类对象和已分配给真实对象模型类的对象的形态，将段内的相似对象分组在一起。包含单核细胞的簇落在对象映射的一侧，而多核细胞位于另一侧。
双核细胞簇介于单核细胞簇和多核细胞簇之间。最后，具有不规则形态的簇落在对象映射的不同区域。在识别图像中的细微形态方面，预测算法比聚类算法更可靠。
例如，具有 MN 的单核细胞与没有 MN 的单核细胞。可以使用工具评估模型的性能，包括类分布直方图、准确性统计和交互式混淆矩阵。在类分布直方图中，真值和预测总体之间的百分比值越接近，模型就越准确。在准确性统计中，这些指标越接近 100%，模型在识别模型类中的事件时就越准确。
最后，交互式混淆矩阵指示模型错误分类事件的位置。对于甘露醇、依托泊苷和丝裂霉素 C，使用细胞松弛素 B 和非细胞松弛素 B 方法，通过显微镜测量微核的百分比（用透明条表示）和 AI 用虚线条表示，用透明条表示，AI 在 3 小时暴露和 24 小时恢复后。创建训练实验时，请确保加载的数据包含来自阳性和阴性对照样本的图像。
微核很少见，需要足够的图像来构建准确的AI模型。该程序允许创建AI模型来分析任何研究领域的成像流微核数据，例如辐射生物剂量学。一种快速而强大的基于人工智能的微核识别方法可以扩展到其他应用，例如量化可能预测癌症发展风险的微核。
查看完整文字稿并访问数千部科学视频
概览
微核试验是一种评估DNA损伤的关键测试，传统上受到耗时的评分方法的限制。这项研究提出了一种新方法，利用成像流式细胞术和人工智能来提高试验的效率和准确性。
关键研究组成部分
科学领域
- 神经科学
- 生物技术
- 遗传学
背景
- 微核试验被广泛用于量化DNA损伤。
- 传统的评分方法通常耗时且主观。
- 成像流式细胞术通过允许高通量分析提供了一种解决方案。
- 人工智能可以提高评分的准确性和一致性。
研究目的
- 开发用于微核试验评分的AI模型。
- 利用成像流式细胞术进行增强的数据获取。
- 促进化学品毒性测试的大规模筛选。
使用的方法
- 使用成像流式细胞术捕捉关键的细胞事件。
- 使用人工智能分析成像数据。
- 使用图像标记算法增强AI模型的训练数据。
- 开发卷积神经网络（CNN）模型用于评分。
主要结果
- AI模型在评分一致性方面比传统方法表现更好。
- 使用成像流式细胞术实现了高通量能力。
- 成功识别了细胞图像中的微核。
- 该方法显示出大规模毒性筛选的前景。
结论
- 成像流式细胞术结合AI增强了微核试验。
- 这种方法解决了传统评分方法的局限性。
- 该研究为更高效的毒性测试方法铺平了道路。
常见问题
Executive Industry Relevance
Automating the micronucleus assay with imaging flow cytometry and AI addresses longstanding challenges in genetic toxicity testing, including throughput, reproducibility, and subjective scoring. This workflow enables high-confidence, quantitative assessment of genotoxicity, supporting robust decision-making at critical discovery and preclinical inflection points. The integration of AI-driven image analysis positions the assay for scalable, enterprise-wide deployment in compound screening pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rigorous interrogation of genotoxicity hypotheses for candidate compounds.
- Supports functional validation of toxicity pathways through quantitative micronucleus detection.
- Facilitates predictive confidence in early-stage portfolio triage by reducing scoring subjectivity.
Screening & Assay Development
- Delivers standardized, reproducible scoring of cellular events for assay development workflows.
- Prepares validated image-based systems for high-throughput compound screening.
- Enables scalable, automated evaluation of large chemical libraries for genotoxic risk.
Translational & Preclinical Research
- Aligns genotoxicity assessment with regulatory and translational biomarker requirements.
- Ensures continuity of quantitative endpoints from discovery through preclinical validation.
- Reduces mechanistic ambiguity in risk-adjusted advancement decisions.
Pipeline & Workflow Integration
This AI-enabled micronucleus assay integrates seamlessly from early discovery through lead identification and preclinical safety assessment.
- Discovery Biology: Provides robust hypothesis testing and pathway de-risking for genotoxicity liabilities.
- Screening: Offers reproducible, quantitative outputs for compound prioritization and hit triage.
- Analytics: Supplies detailed accuracy statistics, confusion matrices, and class distribution histograms for data-driven decision support.
- Translational Research: Maintains biomarker alignment and quantitative continuity across R&D stages.
- Enterprise Reuse: Establishes a scalable, automated platform for ongoing genotoxicity evaluation across programs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in genotoxicity assessment.
- Operational Value: Standardizes and automates scoring, improving reproducibility and throughput.
- Strategic Value: Enables more informed go/no-go decisions and capital-efficient portfolio management.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of safer candidates.
Implementation Considerations
- Requires expertise in imaging flow cytometry and AI model training.
- Demands robust instrumentation and computational infrastructure for image acquisition and analysis.
- Necessitates cross-team standardization of image tagging and model class definitions.
- Must ensure sufficient representation of rare events, such as micronuclei, in training datasets.
- Dependent on quality control of input imagery and validation against manual scoring benchmarks.
Biopharma FAQs
Chapters in this video
0:05
Introduction
0:49
Creating an Experiment in the Artificial Intelligence (AI) Software
2:41
Populating the Ground Truth Data Using A‐Assisted Tagging Tools and Training the Model
4:11
Classifying Data Using the Model and Generating Report
6:28
Results: Validation of the AI‐Assisted Cluster and Predict Algorithms
8:23
Conclusion
