L'IA lit des images 3D de la chromatine pour prédire le vieillissement des cellules souches et cribler des médicaments de rajeunissement
Un modèle d'apprentissage profond entraîné sur des images 3D de la chromatine peut distinguer les cellules souches sanguines jeunes des cellules âgées, et signaler quand des médicaments épigénétiques inversent cette signature de vieillissement.
Résumé
Les cellules souches sanguines déclinent avec l'âge, et les scientifiques manquent de bons outils pour mesurer ce déclin au niveau de chaque cellule. Des chercheurs ont entraîné une IA d'analyse d'images, ChromAgeNet, sur des images de microscopie 3D de noyaux colorés à l'ADN (DNA) provenant de cellules souches sanguines de souris jeunes et âgées. Le modèle a distingué les cellules jeunes des cellules âgées avec une précision modérée (AUROC 0,77) et a surpassé les méthodes traditionnelles d'apprentissage automatique. Des outils d'explicabilité ont montré ce sur quoi il s'appuyait : les cellules jeunes présentaient un liseré fin et continu d'ADN compacté le long du bord du noyau, tandis que les cellules âgées avaient des amas d'ADN plus grands et irréguliers. Lorsque des cellules âgées ont été traitées avec quatre médicaments expérimentaux, le modèle a attribué à deux d'entre eux, qui ciblent la méthylation des histones (UNC0646 et IOX1), des scores presque aussi « jeunes » que ceux des cellules jeunes. Il s'agit de travaux précoces menés chez la souris, mais ils ouvrent la voie à un criblage par imagerie de thérapies de rajeunissement.
Résumé détaillé
Le système hématopoïétique s'affaiblit avec l'âge, et les cellules souches hématopoïétiques (CSH) sont à l'origine de ce déclin, qui contribue au dysfonctionnement immunitaire et à la réduction de l'espérance de vie en bonne santé. Les horloges épigénétiques fondées sur la méthylation de l'DNA sont bien établies, mais elles analysent surtout des tissus entiers. L'architecture de la chromatine dans le noyau est un marqueur reconnu du vieillissement, mais elle a rarement été utilisée comme mesure quantitative à l'échelle de la cellule unique. Cette étude cherche à savoir si des images 3D de noyaux suffisent à révéler l'âge biologique d'une cellule souche.
L'équipe a recueilli 1 229 images confocales de noyaux de CSH marqués au DAPI, issues de souris C57Bl6 jeunes (10 à 16 semaines) et âgées (>80 semaines). Après segmentation, le jeu de données comprenait 552 noyaux jeunes et 551 noyaux âgés, découpés en 81 643 coupes 2D. Leur réseau de neurones convolutif, ChromAgeNet, attribue un score à chaque coupe. Une étape de vote pondéré (« soft voting ») combine ensuite les scores des coupes en un « score de jeunesse » calibré à l'échelle du noyau. Les performances ont été évaluées par validation croisée à cinq blocs, avec une répartition au niveau des noyaux.
Au niveau des coupes, l'AUROC était de 0,72 ± 0,02 (exactitude 0,66, score F1 0,64). L'agrégation sur l'ensemble de la pile Z a fait passer l'AUROC au niveau du noyau à 0,77 ± 0,03 (exactitude 0,68, score F1 0,69), le meilleur bloc atteignant 0,81. La sensibilité était plus élevée pour les cellules jeunes (78 %) que pour les cellules âgées (61 %). La calibration bêta a produit des probabilités fiables (erreur de calibration attendue de 0,02, score de Brier de 0,22). Un modèle XGBoost calibré, entraîné sur 70 variables conçues manuellement (texture, intensité et forme), a atteint une AUROC de 0,73 ± 0,04 : le réseau de neurones l'a donc surpassé. Parmi les variables les plus importantes figuraient la non-uniformité des zones de taille et l'entropie de somme. Les variables d'acquisition, telles que l'opérateur, le bruit et l'intensité, n'expliquaient presque rien des prédictions (R² ≤ 0,03).
Des méthodes d'IA explicable ont montré ce sur quoi s'appuyait le réseau. La sensibilité à l'occlusion a fourni les cartes d'attention les plus fiables. Dans les CSH jeunes, l'attention se concentrait le long de l'enveloppe nucléaire, où une fine ligne continue de DAPI reflète probablement l'hétérochromatine associée à la lamina. Dans les CSH âgées, l'attention se portait sur de gros amas arrondis de DAPI et sur un signal d'enveloppe plus épais et irrégulier. Les cartes d'attention des cellules âgées présentaient une entropie de Shannon plus élevée, ce qui signifie des signaux plus dispersés. L'attention atteignait son maximum à environ 30 pixels (1,5 μm) du bord du noyau.
À titre de preuve de concept, les auteurs ont traité des CSH âgées avec quatre composés. Les cellules âgées de référence obtenaient un score de 0,34 ± 0,14. Les inhibiteurs des Rho GTPases CASIN et Rhosin ont augmenté modestement les scores, à 0,40 ± 0,18 et 0,48 ± 0,19. Les modulateurs de la méthylation de H3K9 UNC0646 et IOX1 ont atteint 0,56 ± 0,13 et 0,55 ± 0,16, très proches des CSH jeunes non traitées (0,55). Cela suggère que la notation fondée sur l'image pourrait soutenir des criblages de rajeunissement à haut débit.
Plusieurs réserves s'imposent. Toutes les données proviennent de souris, et une AUROC de 0,77 est utile mais loin d'être définitive pour des cellules individuelles. Le modèle classe à tort davantage de cellules âgées que de cellules jeunes. Les changements de la chromatine lors du vieillissement normal recoupent ceux de la sénescence, ce qui rend les deux difficiles à distinguer à partir des seules images. Le score montre que la chromatine paraît plus jeune, pas que les cellules fonctionnent mieux. La transposabilité des résultats aux CSH humaines n'a pas été testée dans la partie de l'article disponible ici.
Principales conclusions
- Nucleus-level AUROC of 0.77 ± 0.03 (accuracy 0.68, F1 0.69) for classifying young vs aged mouse HSCs; best fold reached 0.81
- Soft-voting aggregation across the 3D stack improved AUROC from 0.72 (slice level) to 0.77 (nucleus level)
- ChromAgeNet beat the best classical ML model on 70 handcrafted chromatin features (XGBoost AUROC 0.73 ± 0.04)
- Sensitivity was 78% for young HSCs vs 61% specificity for aged HSCs; calibration was good (ECE 0.02, Brier 0.22)
- Occlusion maps showed young HSCs rely on a thin nuclear-envelope heterochromatin rim, while aged HSCs show large, irregular DAPI blobs and higher attention entropy
- Aged HSCs scored 0.34 ± 0.14; UNC0646 (0.56 ± 0.13) and IOX1 (0.55 ± 0.16) shifted scores to the level of young HSCs (0.55)
- CASIN (0.40 ± 0.18) and Rhosin (0.48 ± 0.19) produced smaller increases in youthful score; technical confounders explained R² ≤ 0.03 of predictions
Méthodologie
L'étude a utilisé 1 229 images confocales 3D DAPI de souris C57Bl6 jeunes (10–16 semaines) et âgées (>80 semaines), ce qui a donné 552 noyaux de HSC jeunes et 551 noyaux de HSC âgés, soit 81 643 coupes 2D. Un réseau de neurones convolutif (CNN) a été entraîné sur les coupes, les prédictions au niveau du noyau étant obtenues par vote pondéré (soft voting) et calibration bêta. Une validation croisée à cinq plis, avec séparation au niveau du noyau, a été utilisée, avec l'AUROC, l'exactitude, le score F1, l'ECE et le score de Brier comme métriques. Les modèles de référence comprenaient 32 combinaisons de classifieurs classiques et de méthodes de sélection de variables appliquées à 70 caractéristiques radiomiques, interprétées à l'aide de SHAP, de la maximisation d'activation et de la sensibilité à l'occlusion.
Limites de l'étude
La capacité de discrimination du modèle est modérée et sa sensibilité est moindre pour les cellules âgées ; par ailleurs, les données proviennent de souris imagées dans un seul laboratoire, avec des opérateurs différents qui ont fourni des nombres de cellules différents. Les modifications de la chromatine au cours du vieillissement se recoupent avec celles de la sénescence, ce qui les rend difficiles à distinguer à partir des seules images. L'expérience avec le médicament n'est qu'une preuve de concept, et le texte disponible ne rapporte ni validation fonctionnelle ni déclaration de conflits d'intérêts.
Ce résumé vous a plu ?
Recevez les dernières recherches sur la longévité dans votre boîte de réception chaque semaine.
Saisissez votre e-mail pour vous abonner :