L'IA legge le immagini 3D della cromatina per prevedere l'invecchiamento delle cellule staminali e individuare farmaci ringiovanenti
Un modello di deep learning addestrato su immagini tridimensionali della cromatina è in grado di distinguere le cellule staminali del sangue giovani da quelle invecchiate, e di segnalare quando i farmaci epigenetici invertono questa firma di invecchiamento.
Riepilogo
Le cellule staminali del sangue declinano con l'età, e gli scienziati non dispongono di buoni metodi per misurare questo declino nelle singole cellule. I ricercatori hanno addestrato un'IA per l'analisi delle immagini, ChromAgeNet, su immagini 3D al microscopio di nuclei colorati per il DNA, provenienti da cellule staminali del sangue di topi giovani e anziani. Il modello ha distinto le cellule giovani da quelle anziane con un'accuratezza moderata (AUROC 0,77) e ha superato i metodi tradizionali di apprendimento automatico. Gli strumenti di spiegabilità hanno mostrato su quali elementi si concentrava il modello. Le cellule giovani presentavano un bordo sottile e continuo di DNA compattato lungo il margine del nucleo, mentre le cellule anziane mostravano aggregati di DNA più grandi e irregolari. Quando le cellule anziane sono state trattate con quattro farmaci sperimentali, il modello ha attribuito a due di essi, che agiscono sulla metilazione degli istoni (UNC0646 e IOX1), punteggi quasi giovanili come quelli delle cellule giovani. Si tratta di un lavoro preliminare sul topo, ma indica la possibilità di uno screening basato sulle immagini per individuare terapie di ringiovanimento.
Riepilogo Dettagliato
Il sistema di formazione del sangue si indebolisce con l'età e le cellule staminali ematopoietiche (HSC) sono all'origine di questo declino, contribuendo alla disfunzione immunitaria e alla riduzione degli anni di vita in salute. Gli orologi epigenetici basati sulla metilazione del DNA sono ormai consolidati, ma leggono per lo più tessuto in blocco (bulk). L'architettura della cromatina all'interno del nucleo è un noto segno distintivo dell'invecchiamento, eppure è stata raramente utilizzata come misura quantitativa a livello di singola cellula. Questo studio si chiede se le sole immagini 3D dei nuclei possano rivelare l'età biologica di una cellula staminale.
Il gruppo di ricerca ha raccolto 1.229 immagini confocali di nuclei di HSC colorati con DAPI, provenienti da topi C57Bl6 giovani (10–16 settimane) e anziani (>80 settimane). Dopo la segmentazione, il set di dati comprendeva 552 nuclei giovani e 551 nuclei anziani, suddivisi in 81.643 sezioni 2D. La loro rete neurale convoluzionale, ChromAgeNet, assegna un punteggio a ciascuna sezione. Un passaggio di soft voting combina poi i punteggi delle sezioni in un unico "punteggio di giovinezza" calibrato a livello di nucleo. Le prestazioni sono state valutate con una convalida incrociata a cinque partizioni (fivefold), suddivisa a livello di nucleo.
A livello di singola sezione, l'AUROC è stata di 0,72 ± 0,02 (accuratezza 0,66, F1 0,64). L'aggregazione lungo lo Z-stack ha portato l'AUROC a livello di nucleo a 0,77 ± 0,03 (accuratezza 0,68, F1 0,69), con la partizione migliore che ha raggiunto 0,81. La sensibilità è stata maggiore per le cellule giovani (78%) rispetto a quelle anziane (61%). La calibrazione beta ha prodotto probabilità affidabili (errore di calibrazione atteso 0,02, Brier score 0,22). Un modello XGBoost calibrato, addestrato su 70 caratteristiche costruite a mano di tessitura, intensità e forma, ha raggiunto un'AUROC di 0,73 ± 0,04, quindi la CNN lo ha superato. Tra le caratteristiche principali figuravano la non uniformità delle zone di dimensione (size zone nonuniformity) e la sum entropy. Variabili di acquisizione come operatore, rumore e intensità non hanno spiegato quasi nulla delle previsioni (R² ≤ 0,03).
I metodi di intelligenza artificiale spiegabile hanno mostrato che cosa utilizzasse la rete. L'occlusion sensitivity ha fornito le mappe di attenzione più affidabili. Nelle HSC giovani, l'attenzione si concentrava lungo l'involucro nucleare, dove una linea DAPI sottile e continua riflette probabilmente l'eterocromatina associata alla lamina. Nelle HSC anziane, l'attenzione si concentrava su grandi chiazze DAPI arrotondate e su un segnale dell'involucro più spesso e irregolare. Le mappe di attenzione delle cellule anziane presentavano un'entropia di Shannon più alta, cioè segnali più dispersi. L'attenzione raggiungeva il picco a circa 30 pixel (1,5 μm) dal bordo nucleare.
Come prova di concetto, gli autori hanno trattato HSC anziane con quattro composti. Le cellule anziane di base hanno ottenuto un punteggio di 0,34 ± 0,14. Gli inibitori delle Rho GTPasi CASIN e Rhosin hanno aumentato modestamente i punteggi a 0,40 ± 0,18 e 0,48 ± 0,19. I modulatori della metilazione di H3K9 UNC0646 e IOX1 hanno raggiunto 0,56 ± 0,13 e 0,55 ± 0,16, in stretta corrispondenza con le HSC giovani non trattate, pari a 0,55. Ciò suggerisce che il punteggio basato sulle immagini potrebbe supportare screening di ringiovanimento ad alta produttività.
Si applicano diverse cautele. Tutti i dati provengono da topi e un'AUROC di 0,77 è utile ma lontana dall'essere definitiva per le singole cellule. Il modello classifica in modo errato più cellule anziane che giovani. I cambiamenti della cromatina nel normale invecchiamento si sovrappongono a quelli della senescenza, quindi i due fenomeni sono difficili da distinguere dalle sole immagini. Il punteggio mostra che la cromatina appare più giovane, non che le cellule funzionino meglio. Se i risultati siano trasferibili alle HSC umane resta non verificato nella parte dell'articolo qui disponibile.
Risultati Principali
- 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
Metodologia
Lo studio ha utilizzato 1.229 immagini confocali 3D con DAPI di topi C57Bl6 giovani (10–16 settimane) e anziani (>80 settimane), ottenendo 552 nuclei di HSC giovani e 551 anziani e 81.643 sezioni 2D. Una CNN è stata addestrata sulle sezioni, con previsioni a livello di nucleo ottenute tramite soft voting e calibrazione beta. È stata impiegata una cross-validation a cinque fold, con suddivisione a livello di nucleo, utilizzando come metriche AUROC, accuratezza, F1, ECE e Brier score. I benchmark comprendevano 32 combinazioni di classificatori classici e metodi di selezione delle feature su 70 feature radiomiche, interpretate con SHAP, activation maximization e occlusion sensitivity.
Limitazioni dello Studio
La discriminazione del modello è moderata e meno sensibile per le cellule invecchiate; inoltre i dati provengono da topi sottoposti a imaging in un unico laboratorio, con operatori diversi che hanno contribuito con un numero differente di cellule. Le alterazioni della cromatina nell'invecchiamento si sovrappongono a quelle della senescenza, e questo rende difficile distinguerle basandosi solo sulle immagini. L'esperimento con il farmaco è solo una prova di concetto, e nel testo disponibile non sono riportate né una validazione funzionale né una dichiarazione sul conflitto di interessi.
Ti è piaciuto questo riepilogo?
Ricevi ogni settimana le ultime ricerche sulla longevità direttamente nella tua casella email.
Inserisci la tua email per iscriverti: