Dull Dosbarthu Segmentu Tandem Ar Gyfer Lleoli Rhagfynegwyr Morffolegol O Hyd Oes A Symudedd C. Elegans
Sep 26, 2022
Cysylltwchoscar.xiao@wecistanche.comam fwy o wybodaeth
Haniaethol
Mae C. elegans yn fodel o organeb sefydledig ar gyfer astudio effeithiau genetig a chyffuriau ar heneiddio, y mae llawer ohonynt wedi'u cadw mewn bodau dynol. Mae hefyd yn fodel hanfodol ar gyfer ymchwil sylfaenol, ac mae patholegau C. elegans yn faes sydd newydd ddod i'r amlwg. Yma rydym yn datblygu platfform rhwydwaith niwral convolutional prawf-o-brif i segmentu C. elegans a thynnu nodweddion a allai fod yn ddefnyddiol ar gyfer rhagfynegi hyd oes. Rydym yn defnyddio set ddata o 734 o lyngyr wedi'u holrhain drwy gydol eu hoes ac yn dosbarthu mwydod yn rhai hirhoedlog a byrhoedlog. Fe wnaethom ddylunio WormNet - rhwydwaith niwral convolutional (CNN) i ragfynegi dosbarth hyd oes llyngyr yn seiliedig ar ddelweddau oedolion ifanc (diwrnod 1-diwrnod 3 oed oedolion) a dangoswyd y gall WormNet, hefyd, InceptionV3 CNN ddosbarthu hyd oes yn llwyddiannus. Yn seiliedig ar bensaernïaeth U-Net rydym yn datblygu CNNs HydraNet sy'n caniatáu segmentu mwydod yn gywir yn rhannau blaen, canol y corff ac ôl. Rydym yn cyfuno segmentiad HydraNet, rhagfynegiad WormNet, a'r dull map actifadu dosbarth i bennu'r segmentau sydd bwysicaf ar gyfer dosbarthiad oes. Mae dull dosbarthu segmentiad tandem o'r fath yn dangos y gallai rhan ôl y llyngyr fod yn bwysicach ar gyfer dosbarthu mwydod hirhoedlog. Gall ein hymagwedd fod yn ddefnyddiol ar gyfer cyflymu darganfyddiadau cyffuriau gwrth-heneiddio ac ar gyfer astudio patholegau C. elegans.
RHAGARWEINIAD
Mae'r nematod Caenorhabditis elegans (C. elegans) yn fodel sefydledig ar gyfer astudio ymyriadau amrywiol i'r broses heneiddio, a oedd yn caniatáu dod o hyd i nifer o enynnau a chyffuriau sy'n ymyrryd â heneiddio. Mae 5 allan o 7 o gyffuriau gwrth-heneiddio Haen 1 a 4 allan o 6 o gyffuriau gwrth-heneiddio Haen 2 a ystyriwyd ar gyfer treialon dynol yn ymestyn oes ym model C. elegans.cistanche แอ ม เว ย์Mae llawer o lwybrau heneiddio yn cael eu cadw ymhlith rhywogaethau a disgwylir i'r mwydod gael eu defnyddio'n helaeth nid yn unig mewn ymchwil hirhoedledd ond hefyd yn y diwydiant gwrth-heneiddio sy'n ymddangos [1]. Yn ogystal, mae mwydod dynol bellach yn cael eu defnyddio i sefydlu modelau addawol ar gyfer niwroddirywiad [2]. Fodd bynnag, yn wahanol i eneteg hirhoedledd, nid yw ffenoteipiau heneiddio C. elegans wedi'u hastudio'n dda eto. Yn arbennig, ychydig a wyddom am batholegau sy'n gysylltiedig ag oedran a'u datblygiad, yn ogystal â pha batholegau sy'n pennu hyd oes a sut maent yn achosi marwolaeth [3]. Disgrifiwyd sawl patholeg gan gynnwys atroffi'r perfedd, tiwmorau crothol a haint pharyngeal yn ddiweddar [4-6]. Yn y goleuni hwn, mae darganfod patholegau C. elegans newydd, yn enwedig pennu hyd oes, yn dod yn her bwysig. Gallai astudio patholegau yn C. elegans helpu i gael gwell dealltwriaeth o'r broses heneiddio, yn ogystal â mecanweithiau ac effeithiau cyffuriau gwrth-heneiddio.
gall cistanche gwrth-heneiddio
Gall datblygiadau diweddar mewn dysgu peirianyddol (ML) a dysgu dwfn (DL)[7] gynorthwyo astudiaethau heneiddio sy'n cyflogi C.elegans trwy ddatgelu a chrynhoi patrymau ymddygiadol a morffolegol nas gwelwyd o'r blaen mewn setiau data arbrofol mawr. Er enghraifft, mewn gwaith diweddar mesurwyd nifer o baramedrau ffisiolegol yn hydredol a chaniatawyd defnyddio atchweliad fector cymorth i esbonio'r gwahanol faint o amrywiant yn oes C. elegans trwy: symudiad (57 y cant ), trawsdoriadolawtofflworoleuedd (52 y cant ), cyfradd dodwy oocyt (28 y cant)[8]. Yn ddiddorol, canfuwyd bod maint yr epil yn cyfateb i hyd oes hermaphroditau cypledig (r=0.28)[9]. Ymhellach, mae astudiaethau annibynnol yn cadarnhau mai swyddogaeth y cyhyrau mae'n debyg yw'r nodwedd ffisiolegol sy'n rhagfynegi orau: canfuwyd bod rhychwant pwmpio pharyngeal cyflym (r=0.49), a rhychwant pwmpio pharyngeal(r=0.83). cydberthynas iawn â hyd oes [10]. Hefyd, mae'r cyflymder uchaf ar ddiwrnod 9[11] a'r gyfradd dadfeiliad cyflymder (diwrnodau 3-9)[12] yn rhagweld 71 y cant a 91 y cant o'r amrywioldeb mewn oes yn unol â hynny. Darganfuwyd hefyd rhagfynegyddion cellog a moleciwlaidd o hyd oes C. elegans. Canfuwyd bod cysylltiad rhwng mynegiant hsp-16.2 a achosir gan sioc wres mewn oedolion diwrnod 1 a hyd oes [13]. Yn rhydd o effeithiau dryslyd ymyriadau fel sioc wres, roedd mynegiant gwaelodol y dywarchen ar ddiwrnod 9 hefyd yn cydberthyn â hyd oes (r=0.57), sydd fwy na thebyg yn adlewyrchu ymateb i fwyd pathogenig [14]. Gall mynegiant Mir-71 o ddiwrnod 4 ymlaen fod yn hynod ragfynegol ac mae'n esbonio 47 y cant o'r amrywioldeb mewn oes [15]. Yn drawiadol, mae cydberthynas gwrthdro cryf (r =-0.93)rhwng maint niwclear (wedi'i fesur ar ddiwrnod 1) a hirhoedledd yn dynodi synthesis protein wedi'i ddadreoleiddio fel elfen bwysig o heneiddio[16]. Yn nodedig, defnyddiwyd dull Machine Vision yn gynnar hefyd i ddosbarthu ffenoteipiau heneiddio yn C. elegans. Yn arbennig, defnyddiwyd dosbarthwr gwahaniaethol llinol i wahanu delweddau o pharyncsau o wahanol oedrannau ar gyfer nodweddu moleciwlaidd dilynol [17].
Ymhlith dulliau eraill, un o'r dulliau dysgu peiriannau mwyaf pwerus, yn enwedig ar gyfer dadansoddi delweddau, yw'r defnydd o rwydweithiau niwral convolutional (CNN)[18], sy'n cael eu hysbrydoli gan sefydliad rhwydwaith niwral cortecs gweledol. Caniataodd CNN gyflawni canlyniadau trawiadol wrth adnabod delweddau, gyda pherfformiad bron yn ddynol ar set ddata MNIST a pherfformiodd yn well na bodau dynol ar adnabod arwyddion traffig gan ffactor o ddau [19]. Dangosodd CNN y perfformiad gorau dro ar ôl tro yn ystod "Her Cydnabod Gweledol ar Raddfa Fawr ImageNet"mewn dosbarthiad delwedd [20,21].faint o cistanche i'w gymrydMae cyflwyno cysylltiadau wedi'u hepgor i CNN wedi gwella eu cyflymder a'u cywirdeb yn ddramatig, ac mae CNNs gweddilliol o'r fath bellach yn rhai o'r radd flaenaf ar gyfer dosbarthu delweddau [22, 23]. Mae rhwydweithiau gweddilliol amgodiwr fel U-Net [24], V-Net, a Tiramisu hefyd yn perfformio'n well na'r dulliau echdynnu ffiniau clasurol, trothwy a rhanbarth a ddefnyddir yn y maes segmentu delwedd feddygol [25]. Er gwaethaf y canlyniadau trawiadol gyda dulliau DL, un o'r prif anfanteision yw bod rhwydweithiau DL yn flychau du felly mae'n anodd cael y nodweddion sy'n bwysig ar gyfer gwneud penderfyniadau gan y rhwydwaith [26]. Er mwyn osgoi'r diffyg hwn, mae nifer o dechnegau hylaw wedi'u cynnig [27-29]. Un dechneg o'r fath yw defnyddio'r haen gronni gyfartalog fyd-eang i gynhyrchu map actifadu dosbarth (CAM) fel y'i gelwir a lleoleiddio rhanbarthau delwedd dosbarth-benodol mewn modd heb oruchwyliaeth [30]. Gall y nodweddion dwfn lleoleiddiadwy generig a gynhyrchir gynorthwyo ymchwilwyr i ddeall sail y gwahaniaethu a ddefnyddir gan CNNs ar gyfer eu tasgau. Fodd bynnag, hyd yn hyn, nid oes unrhyw ddulliau o gyfuno segmentu delweddau ystyrlon yn fiolegol a helaethrwydd dosbarthu i hwyluso darganfod ffenoteip trwy ddehongli.
Yn rhyfeddol, defnyddiwyd CNN yn ddiweddar i ragweld hyd oes mewn mwydod. Yn y papur cyntaf, defnyddiwyd set ddata o 913 o ddelweddau o C. elegans. Mae gan bob pwynt amser (diwrnod)o leiaf 30 mwydod, a chafodd pob un ohonynt eu hanestheteiddio cyn delweddu. Cyflawnodd pensaernïaeth seiliedig ar InceptionResNetV2-wall absoliwt cymedrig (MAE) o 0.96 diwrnod yn y modd atchweliad, a chywirdeb o 57.6 y cant yn y modd dosbarthu [31]. Mewn gwaith arall, defnyddiodd yr awduron system ddelweddu awtomatig a oedd yn gallu olrhain yr un llyngyr yn ystod ei hoes gyfan, felly roedd ganddynt ddata ar gyfer 734 o fwydod y tynnwyd delweddau ar eu cyfer bob 3.5 awr. Fe wnaethant ddefnyddio U-Net i segmentu mwydod o'r cefndir ac yna perfformio atchweliad cydlynol corff y llyngyr i greu cynrychioliadau mwydyn wedi'u sythu. Yna fe wnaethon nhw ddefnyddio ResNet34 wedi'i addasu a llwyddo i adennill oedran llyngyr gydag ychydig iawn o MAE o 0.6 diwrnod ar gyfer delweddau amrwd [32].
Yma fe wnaethom ddefnyddio'r un set ddata ag yn [8, 32], fodd bynnag, yn lle rhagfynegi oedran pob mwydyn, rydym yn datblygu platfform CNN o'r enw WormNet sy'n gallu dosbarthu oedolion ifanc (diwrnod 1-3) yn rhai byrhoedlog a hirhoedlog, a hefyd yn dylunio dull ar gyfer echdynnu nodweddion sy'n bwysig ar gyfer dosbarthiad o'r fath. Yn yr un modd, rydym wedi defnyddio WormNet i ddosbarthu symudiad C. elegans. Er mwyn dehongli canlyniadau dosbarthu mewn ffordd is-gynllunio, rydym wedi cyd-fynd â dosbarthiad CNN gyda segmentiad tandem CNN. Ar gyfer hyn, fe wnaethom ddyfeisio pensaernïaeth newydd yn seiliedig ar U-Net (HydraNet) ar gyfer segmentu mwydod o'r cefndir a hefyd segmentu corff y mwydyn yn rhannau blaen, canol y corff ac ôl. Dehonglwyd y canlyniadau dosbarthu trwy uno mapiau segmentu HydraNet a mapiau actifadu dosbarth a gynhyrchwyd gan ddefnyddio WormNet. Roedd y dadansoddiadau o fapiau actifadu dosbarth ynghyd â segmentu rhan y corff yn y fath fodd tandem yn ein galluogi i echdynnu nodweddion sy'n gyfrifol am ragfynegi hyd oes. Yn olaf, gan ddefnyddio fersiwn segmentiedig cydraniad uwch o ddelweddau C. elegans, fe wnaethom ddilysu ein canlyniadau mewn CNN InceptionV3 gweddilliol gallu mynegiannol uwch ynghyd â dehongliad llaw.
CANLYNIADAU
Defnyddiwyd y data treigl amser ar gyfer 734 C. elegans a gasglwyd o ddiwrnod cyntaf oedolaeth hyd farwolaeth i ddatblygu ein platfform prototeip [8,15]. Er mwyn datblygu dull o ddehongli'r delweddau hyn yn awtomataidd aethom i'r afael â phroblem o wahanu'r mwydod o'u cefndir, yn ogystal â gwahaniaethu rhwng rhannau morffolegol mwydod (Ffigur 1). Ar gyfer hyn, rydym wedi anodi 130 o ddelweddau o fwydod llawndwf gyda mygydau ar gyfer rhannau blaen, canol y corff, ac ôl o'r llyngyr ac yn crynhoi i fwgwd llyngyr cyflawn (Ffigur 1F-1H). Yna rhannwyd y set ddata hon yn ffracsiynau trên (90) a phrawf (4{734)) yn seiliedig ar ID set ddata mwydyn unigol i sicrhau na fyddai nodweddion llyngyr unigol yn gollwng i ddaliad y prawf- allan. Yn gyntaf, i fynd i'r afael â phroblem segmentu llyngyr yn gyfan gwbl, rydym wedi adeiladu pensaernïaeth gymharol fas yn debyg i U-Net [24] ynghyd â phen sigmoid ar gyfer dosbarthiad deuaidd. Er eglurder, dangosir y rhannau amgodio a datgodio o U-Net ar Ffigur lA fel a . Graddiwyd y delweddau crai i 96 × 96 picsel ar gyfer effeithlonrwydd cyfrifiannol. Defnyddiwyd y swyddogaeth colli dis a monitro mynegai Jaccard i asesu ansawdd segmentu. Ar y broblem segmentu gymharol syml hon cyrhaeddodd mynegai Jaccard 0.97 ar ffracsiynau trên a phrawf (Ffigur 1A, 1B, gweler Defnyddiau a Dulliau am hyperparamedrau manwl). Nesaf, er mwyn ymestyn y dull hwn o segmentu rhannau corff unigol C. elegans rydym wedi ailfformiwleiddio'r broblem fel segmentiad aml-ddosbarth gyda mygydau wedi'u hamgodio un-poeth a phensaernïaeth debyg i U-Net (Ffigur 1C, 11). Nid yw'n syndod, gan fod dosbarthiad aml-ddosbarth yn broblem anoddach, arweiniodd hyn at berfformiad gwaeth o fynegai Jaccard 0.92 a 0.91 ar y trên a ffracsiwn prawf yn y drefn honno sy'n awgrymu gorffitio ysgafn.
Yn rhyfeddol, un agwedd ar U-Net aml-ddosbarth nad oedd yn perfformio'n dda oedd gwahaniaethu rhwng rhannau blaen ac ôl y mwydyn a arweiniodd at gynhyrchu mygydau gorgyffwrdd (Ffigur lI). Er mwyn osgoi'r cyfyngiad hwn, rydym wedi dylunio pensaernïaeth amgen gan ddefnyddio U-Net a a rhannau, gyda rhannau lluosog wedi'u neilltuo bob un ar gyfer ei broblem segmentu deuaidd ei hun (Ffigur 1D, 1E), a alwyd gennym yn HydraNet. Mae dull o'r fath yn creu pensaernïaeth wedi'i hyfforddi ar y cyd gyda haenau mewnbwn cyffredin a haenau wedi'u neilltuo ar gyfer pob un o rannau morffolegol y mwydyn, gan ganiatáu i fodel diwedd-i-ben, tra'n datrys problem dosbarthu deuaidd symlach. Roedd gan HydraNet3 3 rhan wedi'u neilltuo ar gyfer rhannau blaen, canol y corff a rhannau ôl corff y llyngyr. Roedd HydraNet4, yn ei dro, wedi'i gyfarparu â 4 rhan wedi'u neilltuo i'r rhannau blaen, canol y corff, ôl yn ogystal â chorff cyfan y llyngyr. Er mwyn amcangyfrif perfformiad ar y cyd HydraNet fe wnaethom fesur mynegai Jaccard ar gyfer pob rhan yn unigol ac yn olaf gwerthuso mynegai Jaccard cyfartalog. Yn rhyfeddol, cyflawnodd HydraNet3 a HydraNet4 y mynegai Jaccard cyfartalog 0.97 ar y ffracsiynau trên a phrawf gan ddangos cyffredinoliad da (Ffigur 1D, IE, 1J, 1K). Yn nodedig, cyflawnodd HydraNet4 drosi yn gynharach na HydraNet3 (Ffigur 1D, mewnosodiadau IE) gan awgrymu effaith gadarnhaol bosibl o gyd-fynd â'r bensaernïaeth â dosbarth semantig mwy cyffredinol.
Nesaf, i gael dosbarthwyr ar gyfer symudiad neu oes C. elegans, rhannwyd pob un o'r 734 o fwydod yn 2 ddosbarth cyfanswm symudiad: amcangyfrifir symudiad isel neu uchel fel symudedd uwchlaw neu islaw'r pellter cyfartalog a gropian yn ystod y cyfnod bywyd; a 2 ddosbarth oes: 'byr-byw'gyda hyd oes o 7 diwrnod neu lai, a 'hirhoedlog' gyda hyd oes 8 diwrnod a mwy. Y dasg oedd rhagfynegi dosbarthiadau yn seiliedig ar ddelweddau diwrnod l, diwrnod 2 neu ddiwrnod 3. Gan fod y set ddata yn gymharol fach, gallai defnyddio saernïaeth gallu mynegiannol uchel arwain at orffitio. Felly, fe wnaethom ddylunio CNN cymharol fas a elwir yn WormNet. Roedd y bensaernïaeth hon yn cynnwys 5 haen droellog, pob un wedi'i ddilyn gan haen cronni uchaf. Gweithredwyd normaleiddio gollwng a swp ar gyfer pob haen droellol yn y rhwydwaith niwral i wella cyffredinoli.beth yw cistancheCafodd yr haen gronni max olaf ei fflatio a'i chysylltu â haen wedi'i chysylltu'n llawn ac yna haen softmax. Fe wnaethom ddefnyddio croes-entropi deuaidd fel swyddogaeth golled. Roedd yr holl haenau, ac eithrio'r un olaf, yn defnyddio uned linellol unioni (ReLU) fel swyddogaeth actifadu (Ffigur 2A, gweler Deunyddiau a Dulliau am hyperparamedrau manwl). Defnyddiwyd WormNet i gael dosbarthwyr symudiad a hyd oes (Ffigurau 2 a 3). Er mwyn lliniaru'r posibilrwydd o orffitio ymhellach, gwnaethom gynnal 30-ychwanegiad data plygu gan ddefnyddio generaduron delwedd Keras. Yn benodol, mae delweddau'n destun fflipio llorweddol a fertigol ar hap, symudiad llorweddol a fertigol o fewn ystod 10 y cant, yn ogystal â chylchdroadau ar hap o fewn ystod 90 gradd i'r gwreiddiol. Llenwyd bylchau yn y delweddau wedi'u trawsnewid gan ddefnyddio'r strategaeth gwerth agosaf.
Dangosodd y WormNet berfformiad da ar gyfanswm dosbarthiad symudiad gan gyrraedd cywirdeb o 88 y cant (manylrwydd 0.86, adalw 0.{4}}, ardal o dan gromlin ar gyfer nodwedd gweithredu derbynnydd - AUC ROC - oedd 0.56) ar y set ddata prawf ar gyfer y ffracsiwn diwrnod 3 oedolyn. Roedd y perfformiad ar gyfer delweddau diwrnod 1 a diwrnod 2 ychydig yn is (Ffigur 2B-2D) gyda ROC AUC o 0.51 a 0.55 yn y drefn honno. Er mwyn sicrhau bod ein rhagfynegiad yn cael ei ddylanwadu'n bennaf gan forffoleg y llyngyr yn hytrach na'r hyn sydd o'i amgylch, rydym wedi cynhyrchu set ddata o ddelweddau cefndir synthetig lle cafodd C. elegans eu tynnu trwy segmentu. Er mwyn lleddfu dylanwad silwét llyngyr ar yr hyfforddiant, rydym wedi llenwi'r sero picsel sy'n weddill â sŵn ar hap (Ffigur Atodol 1). Roedd ein canlyniadau'n awgrymu bod perfformiad y model yn cael ei briodoli'n bennaf i forffoleg C. elegans yn hytrach na chefndir y delweddau. Er mwyn asesu pa ran o’r corff a allai fod yn gyfrifol am wneud penderfyniadau WormNet, gan ddefnyddio ein dull dosbarthu segmentiad tandem rydym wedi cael CAMs ar gyfer llyngyr dosbarth symudiad isel (Ffigur 2E, 2F) a llyngyr sy’n symud yn uchel (Ffigur 2G, 2H) o WormNet.bioflavonoidauNesaf, rhannwyd pob delwedd gan ddefnyddio HydraNet4 a chafwyd undeb CAM chwartel uchaf WormNet â segmentiad rhan morffolegol o HydraNet4. At ddibenion dehongli, rydym wedi cyfrifo canran y CAMs sy'n perthyn i segment morffolegol priodol ar gyfer pob llyngyr sy'n perthyn i ddosbarth symudiad uchel neu isel. Ymhellach, fe wnaethom asesu arwyddocâd y dehongliad sgil-ddyluniad hwn gan ddefnyddio ANOVA unffordd gyda chywiriad gwahaniaeth arwyddocaol gonest (HSD) Tukey (Ffigwr 2F-mwydod symudiad isel, Ffigur 2H - llyngyr symudiad uchel). Roedd y gymhariaeth yn awgrymu bod y rhan flaenorol wedi'i gorchuddio'n sylweddol llai (31 y cant) na rhannau canol y corff (34 y cant) a rhannau ôl (34 y cant) ar gyfer mwydod symudiad isel ac uchel. Nid oedd gwahaniaeth arwyddocaol rhwng canol y corff a rhan ôl y corff.
Nesaf, fe wnaethon ni ddefnyddio WormNet i ddosbarthu mwydod hir a byrhoedlog. Yn yr un modd â dosbarthiad symudiadau, perfformiodd WormNet yn well ar sampl oedolion diwrnod 3 gan gyrraedd cywirdeb o 72 y cant (manylrwydd 0.73, adalw 0.71, AUC ROC 0.61) ar set ddata'r prawf, o'i gymharu ag AUC ROC o 0.53 a 0.52 ar gyfer diwrnod 2 ac 1 yn y drefn honno.prynu cistancheRoedd y dadansoddiad matrics dryswch yn awgrymu bod y CNN wedi tanberfformio o ran dosbarthu mwydod byrhoedlog (Ffigur 3A{-3C). Nesaf, rydym wedi dehongli'r dosbarthwr gan ddefnyddio tandem HydraNet4 a WormNet ynghyd â phrawf ystadegol ANOVA un ffordd. Yn achos dosbarthiad hyd oes, roedd dehongliad sgil-ddyluniad yn awgrymu bod y rhan flaen, ar 32 y cant, yn sylweddol llai amlwg mewn CAMs o'i gymharu â chanol y corff a'r rhan ôl (Ffigur 3D, oes byr 3E, Ffigur 3F, 3G-hir oes). Roedd y gwahaniaeth hwn yn llai arwyddocaol ar gyfer oes hir nag ar gyfer oes fer. Nid oedd gwahaniaeth arwyddocaol rhwng canol y corff a'r rhan ôl.
I wirio'r canfyddiadau hyn mewn modd annibynnol rydym wedi hyfforddi dosbarthwr oes arall gan ddefnyddio'r bensaernïaeth InceptionV3 weddilliol [3] ynghyd â dehongliad â llaw (Ffigur 4). Ar ben hynny, yn yr achos hwn er mwyn sicrhau cydraniad uchel o'r CAMs yn lle graddio i 96 × 96 picsel, defnyddiwyd y delweddau cydraniad llawn 900 × 900 wedi'u tocio i 800 × 800 picsel (516 × 516 μm）). Fel CNN gallu mynegiannol llawer uwch, roedd InceptionV3 yn dueddol o orffitio ar ein set ddata gymharol fach (Ffigur 4C, 4D). Er mwyn osgoi hyn, rydym wedi gweithredu atal cynnar yn ystod hyfforddiant. Yn ogystal, gwnaethom wahanu'r mwydod o'u cefndir gan sicrhau mai dim ond y rhan berthnasol o'r ddelwedd y cyflwynir InceptionV3. Perfformiodd InceptionV3 yn debyg i WormNet gyda'r cywirdeb yn cyrraedd 70 y cant ar y set ddata prawf ar gyfer dosbarthiad oes (Ffigur 4A). Yn gyson â dull tandem HydraNet4-WormNet o ddehongli, yn achos y dehongliad â llaw, amlygwyd rhan flaenorol y llyngyr gan y InceptionV3 CAM yn llai aml. Yn bwysig, fodd bynnag, oherwydd cydraniad uwch y delweddau mewnbwn, roedd y CAMs bellach yn lleoleiddio rhannau'r corff yn llawer gwell, gan ganiatáu neilltuo rhan o'r corff fel gwahaniaethwr posibl ym mhob achos (Ffigur 4B). Yn ddiddorol, mae dosbarthiad rhannau'r corff a amlygwyd gan ddadansoddiad CAM yn dangos bod y rhan ôl yn bwysicach ar gyfer dosbarthiad llyngyr sy'n byw'n hir, gan awgrymu y gallai'r nodweddion sy'n rhagfynegi hirhoedledd gael eu lleoli yn rhan ôl corff y llyngyr.
TRAFODAETH
Er bod C. elegans yn fodel clasurol mewn ymchwil heneiddio gyda mwy na 4000 o bapurau wedi'u cyhoeddi'n gyfredol, a'r cynnydd mewn roboteg, mae'r broses o fesur hyd oes C. elegans yn dal i fod â llaw ac yn llafurus. Fodd bynnag, mae dulliau newydd yn dod i'r amlwg fel peiriant hyd oes yn defnyddio sganwyr gwely gwastad i asesu hyfywedd poblogaeth fawr o fwydod ar blatiau ar yr un pryd [34]. Ymagwedd arall yw cwrelau llyngyr - dull vermiculture awtomataidd sy'n caniatáu olrhain llyngyr trwy gydol eu hoes gyda mesuriadau manwl llawer gwell [8]. Dangosodd y data ffisiolegol manwl a gynhyrchwyd ar gwrelau Worm mai symudiad, awtofflworoleuedd a diraddiad gweadedd yw rhagfynegwyr gorau oes. Fodd bynnag, mae'n parhau i fod yn aneglur pa union nodweddion morffolegol sy'n adlewyrchu patholegau ac yn pennu hyd oes. Canfuwyd hefyd na all mesuriadau ffisiolegol cyn diwrnod 3 neu 4 o oedolaeth a biomarcwyr sengl wedi'u labelu â GFP wahaniaethu rhwng mwydod byr a hirhoedlog [8,15]. Mae rhagfynegiadau seiliedig ar niwclear a wneir ar ddiwrnod l oedolion yn cael eu perfformio gan ddefnyddio chwyddhad 100 × ar fwydod sefydlog, nad yw'n gyraeddadwy ar gyfer unrhyw lwyfan sgrinio awtomataidd.
Yma buom yn gweithio gyda'r set ddata a gynhyrchwyd yn labordy Pincus [8,15], a dangoswyd bod cymhwyso WormNet newydd ei ddylunio yn gallu gwahaniaethu'n llwyddiannus rhwng mwydod byr a hirhoedlog hyd yn oed ar gyfer delweddau a dynnwyd ar ddiwrnod 1 neu ddiwrnod 2; yn bwysig, ar gyfer diwrnod 3 dangosodd y CNN y perfformiad gorau (Ffigur 2A{-2C). Roedd WormNet hyd yn oed yn well am ddosbarthu llyngyr gyda chyfanswm symudiad uchel ac isel, gan gyflawni cywirdeb o 88 y cant ar gyfer oedolion diwrnod 1 (Ffigur 3). Disgwyliwn i hynny gynhyrchu mwy o ddata a datblygu'r CNN rhagfynegi hyd oes [32]. Fel y soniwyd yn gynharach, rhannodd yr awduron y mwydod a chreu cynrychioliadau mwydod wedi'u sythu, a ddefnyddiwyd ar gyfer hyfforddiant CNN [32]. Gwellodd nifer cynyddol y samplau y rhagfynegiad o oedran llyngyr ar sail atchweliad. Yn ddiddorol, mae'r awduron wedi canfod mai prin yw'r silwét yn unig sy'n dangos bod gwybodaeth am lyngyr ar gyfer amcangyfrif oedran, tra bod cefndir y wybodaeth yn gwella'n sylweddol gywirdeb, er bod gwerth rhagfynegol y cefndir yn arteffact o amodau arbrofol. Felly, efallai y bydd y wybodaeth gefndirol yn gallu esbonio cywirdeb rhagfynegol WormNet yn ein hefelychiadau yn rhannol. Fodd bynnag, fel y mae ein harbrofion yn ei awgrymu (Ffigur Atodol 1), mae perfformiad WormNet yn dibynnu'n bennaf ar forffoleg C. elegans yn hytrach na chefndir y delweddau. Yn bwysig, mae pretraining ar y cynrychioliadau corff-cydlynu yn [32] gwella cywirdeb ar ddelweddau amrwd sy'n awgrymu bod organau llyngyr a gwead yn ddefnyddiol ar gyfer rhagfynegi oedran.
Yn ogystal â dosbarthiad rhychwant oes neu symudiad yn seiliedig ar ddelweddau oedolion ifanc, anelwyd hefyd at ddod o hyd i nodweddion sy'n bwysig ar gyfer y rhagfynegiad. Fel tasg prototeip fe benderfynon ni benderfynu pa ran o'r corff sy'n rhan flaen, canol neu ran ôl sy'n cynnwys nodweddion sy'n dylanwadu fwyaf ar hyd oes. Fe wnaethom ddylunio HydraNet 3 a 4, pensaernïaeth newydd yn seiliedig ar U-Net a dangos eu bod yn gallu segmentu rhannau corff llyngyr yn llwyddiannus gan gyflawni gwerthoedd mynegai Jaccard perffaith. Yn bwysig, i ddatblygu dull dehongli is-gynllunio fe wnaethom ddefnyddio tandem o ddosbarthiad ystyrlon yn fiolegol (hyd oes a symudiad) gan esgor ar amlygrwydd trwy fapiau actifadu dosbarth [30, 35] a segmentiad morffolegol (rhanbarthau blaen, canol y corff ac ôl) i ddarganfod pa rhan corff yn ddefnyddiol ar gyfer y dosbarthiadau. At hynny, er eu bod yn llai datrys, roedd y canfyddiadau a gafwyd o'r dull tandem yn gyson â dosbarthwr wedi'i hyfforddi'n annibynnol. Roedd y dosbarthwr deuaidd hwn yn seiliedig ar yr InveptionV3 CNN. Cafodd ei hyfforddi ar ddelweddau cydraniad optegol llawn 800 × 800 picsel gyda mwydod wedi'u segmentu o'u cefndir a chyflawnodd ganlyniadau tebyg i WormNet, er bod y model yn llai cyffredinoladwy oherwydd mwy o orffitio (Ffigur 4). Fodd bynnag, yn achos InceptionV3, gallai rhannau gwahanol o’r corff gael eu lleoleiddio ar y CAMs, ac mae’r dadansoddiadau’n awgrymu y gallai nodweddion sydd wedi’u lleoli yn rhan ôl y mwydyn fod yn bwysicach ar gyfer dosbarthu mwydod hirhoedlog. Mae'r dull hwn yn darparu llwybr i ddarganfod biofarcwyr oedran pwysig newydd yn C. elegans mewn lleoliad awtomataidd, o ystyried cynnydd sylweddol mewn cydraniad delwedd a'r defnydd o gynrychiolaeth corff-gydlynol. Gellid rhannu organau heb eu labelu fel pharyncs neu endidau â label GFP gan ddefnyddio HydraNets a'u hasesu ar gyfer eu gallu rhagfynegi hyd oes gan ddefnyddio dull CAM a WormNet. Mae'n demtasiwn dyfalu, yn debyg i rwydweithiau gwrthwynebus cynhyrchiol [36], y gellir hyfforddi gweithrediad y dehongliad is-ddyluniad yn y dyfodol trwy gyfuniad o segmentu a dosbarthu o un pen i'r llall a'i ddefnyddio ar gyfer darganfyddiad gwyddonol arferol. Bydd y llwyfan dadansoddol awtomataidd prawf-o-egwyddor yn ddefnyddiol ar gyfer darganfod biomarcwyr heneiddio anfewnwthiol, yn enwedig yn ystod dyddiau ifanc 1-3 oedolyn C. elegans. Mae gan hyn botensial mawr i gyflymu'r sgrinio fferyllol ar gyfer cyffuriau gwrth-heneiddio. Bydd datblygu'r fethodoleg hefyd yn ddefnyddiol i ganfod a nodweddu patholegau newydd yn C. elegans sy'n bwysig ar gyfer ymchwil heneiddio sylfaenol. Er mwyn sicrhau bod y cod ar gael i'r gymuned ymchwil yr ydym wedi'i hadneuo.
Daw'r erthygl hon o www.aging-us.com AGING 2022, Vol. 14, Rhif 4
