蛋白质在大脑中错误折叠并不断积累,是亨廷顿病、阿尔茨海默病及帕金森病等神经退行性疾病进展的核心病理机制。然而,仅凭肉眼无法区分那些注定会形成有害聚集体的蛋白质与正常蛋白质。且这类聚集体的形成往往具有随机性,且速度相对较快,时间尺度仅为数分钟。因此,具备识别和表征蛋白质聚集体的能力,对于理解并对抗神经退行性疾病而言至关重要。

如今,洛桑联邦理工学院(EPFL)的研究人员借助深度学习技术,开发出一种“自动驾驶”成像系统。该系统结合多种显微镜技术,能够实时跟踪并分析蛋白质的聚集过程,甚至能在聚集发生前对其进行预测。此外,这种方法除了显著提升成像效率外,还大幅减少了荧光标签的使用——因为荧光标签可能改变细胞样本的生物物理特性,进而影响分析的准确性。
“这是我们首次能够准确预测这些蛋白质聚集体的形成,”近期刚从洛桑联邦理工学院获得博士学位的哈立德·易卜拉欣(KhalidIbrahim)表示,“由于这些蛋白质聚集体的生物力学特性与疾病的发生以及细胞功能的损伤密切相关,因此了解它们在整个聚集过程中的演变规律,将为我们开发相关解决方案提供必要的基础认知。”
洛桑联邦理工学院的研究人员开发出一种“自动驾驶”显微镜,该显微镜能够预测错误折叠蛋白质聚集的起始——这是神经退行性疾病的一个标志性特征,同时还能分析这些聚集体的生物力学特性。
该项目是纳米尺度生物学实验室(LaboratoryofNanoscaleBiology)负责人亚历山德拉·拉登诺维奇与理学院(SchoolofBasicSciences)院长希尔·拉舒尔的实验室长期合作的成果。这项研究融合了神经退行性疾病研究与高级活细胞成像技术两方面的互补专业知识。
“这个项目的初衷是开发能够揭示新生物物理见解的方法,如今能看到这一愿景得以实现,令人倍感振奋。”拉登诺维奇说道。
在易卜拉欣的带领下,该团队首次开发出一种深度学习算法,它能够在未标记的活细胞图像中识别出成熟的蛋白质聚集体。在这项新研究中,团队在此基础上进一步开发出具备实时图像分类功能的算法版本:当该算法检测到成熟的蛋白质聚集体时,便会触发布里渊显微镜启动。该显微镜通过分析散射光,能够表征聚集体的弹性等生物力学特性。
通常而言,布里渊显微镜的成像速度较慢,因此在研究快速演变的蛋白质聚集体时并非理想之选。但得益于洛桑联邦理工学院团队的人工智能驱动方法,布里渊显微镜仅在检测到蛋白质聚集体时才会启动,这不仅加快了整个研究进程,还为智能显微镜的发展开辟了新路径。
“这是首篇展示自动驾驶系统整合无标记显微镜方法的论文,这一成果有望让更多生物学家采用这一快速发展的智能显微镜技术。”易卜拉欣表示。
由于上述图像分类算法仅针对成熟的蛋白质聚集体,若要捕捉聚集体形成的瞬间,研究人员还需开展进一步研究。为此,他们开发了第二种深度学习算法,对其进行训练时所使用的图像,均来自活细胞中经荧光标记的蛋白质。这种“聚集体起始”检测算法能够分辨极为相似的图像,并以91%的准确率准确识别出蛋白质聚集体即将形成的时间点。一旦检测到聚集的起始,自动驾驶系统会再次启动布里渊成像,为研究蛋白质聚集体提供了一个前所未有的视角,首次动态捕捉到了这一过程中的生物力学变化。
拉舒尔(Lashuel)强调,这项研究除了推动智能显微镜的发展外,对药物研发和精准医疗也具有重要意义。“无标记成像方法为研究和靶向被称为有毒寡聚体的小蛋白质聚集体创造了全新方式,这些小蛋白质聚集体被认为是神经退行性病变的核心致病因素。”他说,“我们很高兴能在此基础上继续努力,为搭建加速神经退行性疾病更有效疗法研发的药物开发平台奠定基础。”
声明:此篇为欧光科技原创文章,转载请标明出处链接,以上文章或转稿中文字或图片涉及版权或法律等问题,请及时联系本站,我们会尽快和您对接处理。
您好,请点击在线客服进行在线沟通!