衰老几乎重塑了人体的每一个系统，而其较为隐蔽的影响之一体现在血液中。随着年龄增长，造血系统——负责产生血细胞的器官和组织——维持充足血细胞生成的能力逐渐下降。对于研究血液干细胞如何衰老、以及如何保持或恢复其功能的研究人员来说，这种衰退不仅仅是一个有趣的现象，更是一个测量难题。
由Bellvitge生物医学研究所（IDIBELL）再生医学项目研究员、ICREA研究教授Maria Carolina Florian博士，以及巴塞罗那超级计算中心——国家超级计算中心（BSC-CNS）和巴塞罗那全球健康研究所（ISGlobal）的Paula Petrone博士领导的研究团队，推出了一款旨在帮助解决这一问题的工具。该系统被命名为ChromAgeNet，利用人工智能通过分析染色质的三维组织，在造血干细胞的显微图像中检测与衰老相关的模式。研究成果发表在《Aging Cell》期刊上，该工作构成了ISGlobal研究员Pablo Iañez博士论文的核心部分。
染色质揭示了细胞的什么信息
染色质是细胞核内的物质——主要由DNA和蛋白质组成——它包装DNA并帮助调控哪些基因处于活跃状态。这种包装不仅仅是结构性的。由于它影响基因活性，染色质组织有助于决定细胞的身份和功能，并且随着细胞变老而发生变化。
ChromAgeNet正是为了直接利用这一关系而构建的。该工具不依赖少数分子标记，而是读取细胞核图像中染色质的三维排列，并回答一个看似简单的问题：这个细胞核看起来是年轻的还是衰老的？
模型是如何训练的
为了构建该系统，研究人员使用了经DAPI染色的小鼠造血干细胞核三维图像，DAPI是一种简单且广泛使用的DNA可视化技术。随后，研究人员训练了一个卷积神经网络——一类专门设计用于分析图像的AI模型——仅根据外观将年轻细胞与衰老细胞区分开来。
- 成像输入：经DAPI染色的小鼠造血干细胞核三维显微图像。
- 模型类型：适合图像分析的卷积神经网络。
- 任务：根据细胞核外观将每个细胞分类为年轻或衰老。
- 重点：染色质的三维组织，而非预定义的标记。
这种方法值得注意，因为它让模型去学习图像中存在的任何区分性特征，而不要求研究人员事先指定这些特征。
性能：77%准确率并超越基准
据研究人员称，ChromAgeNet基于细胞核外观正确将细胞分类为年轻或衰老的概率达到77%。这一结果超越了该团队此前手工定义的染色质特征所构建的机器学习模型。
这一比较意义重大。它表明，经过训练的神经网络能够捕捉到传统基于特征的方法所遗漏的核架构模式——这些信息存在于图像中，但未被研究人员选择观察的特定测量指标所捕获。
检测肉眼无法看到的东西
该研究的框架围绕显微成像中一个常见问题：人类观察者可以描述细胞核，但无法可靠地将染色质包装中微妙的三维差异作为一致的年龄指标进行排序。ChromAgeNet试图将这些微妙差异转化为一种可以重复、大规模计算的信号。
如果这种信号经得起验证，它可以从多个方面支持血液干细胞衰老研究。它为测试某种治疗是否保持或恢复干细胞功能的实验提供了一种潜在的读出指标。它还可以帮助研究人员分选那些在显微镜下看起来相似但实际行为不同的细胞。
跨学科的努力
该项目汇集了干细胞生物学、衰老、图像分析和人工智能方面的专业知识——这一组合也反映在参与机构中。该工作由隶属于IDIBELL再生医学项目、BSC-CNS以及ISGlobal（一个由"la Caixa"基金会支持的中心）的研究人员领导。该研究经过了同行评审，已发表图表中使用的成像归功于IDIBELL的Eva Mejía博士。
这些结果确立了什么，又没有确立什么
这些发现基于小鼠造血干细胞和DAPI染色的细胞核图像，报告的77%准确率意味着该模型具有信息价值但并非绝对可靠——预计大约每四次分类中会有一次得出相反结果。已发表的摘要也未描述临床验证或在人类患者中的使用。
这些边界值得牢记。ChromAgeNet最好被理解为一款研究工具：一种利用廉价且常规的染色技术，从干细胞实验室中已经标准的图像中提取衰老相关信号的方法。
为什么这很重要
更广泛的意义在于造血系统随年龄增长而逐渐衰退。由于该系统供应血细胞，其退化会影响免疫、氧气运输和凝血等功能。使血液干细胞衰老更容易观察的工具，可以帮助研究人员提出更尖锐的问题：什么发生了变化、何时发生变化，以及任何干预是否改变了这一轨迹。
ChromAgeNet的贡献既是方法学的，也是生物学的。它表明，在普通显微成像中捕获的染色质架构携带了足够的年龄相关信息，可供神经网络检测——并且这种方法可以超越基于科学家自行定义特征所构建的模型。同样的信号能否扩展到其他细胞类型、其他成像设置或人类样本，仍是该研究未能解决的开放性问题。
要点
- 一款名为ChromAgeNet的AI工具通过分析三维染色质组织，识别造血干细胞图像中与衰老相关的模式。
- 该模型将小鼠血液干细胞分类为年轻或衰老，正确概率为77%。
- 它超越了基于研究人员事先定义的染色质特征的机器学习模型。
- 该工作由IDIBELL、BSC-CNS和ISGlobal的研究人员领导，并发表在《Aging Cell》上。
- 该方法依赖DAPI染色和三维核成像，这些技术已在干细胞研究中广泛使用。
本文基于Medical Xpress的报道。阅读原文。
Originally published on medicalxpress.com
