MitoReID 线粒体时序图像的 MOA 识别
原作者摘要和公开补充报告 Rank-1 为 76.32%、mAP 为 65.92%；8 种未训练药物中 6 种预测包含与标签相符的机制，2 种未相符，正确类别未必排首位；另有表儿茶素 COX-2 机制线索。
用途与模型
- 研究用途
- 从药物暴露后的线粒体细胞表型中寻找机制类别，为药物发现和再定位提供验证线索。
- 模型与细胞来源
- 时序线粒体细胞图像与重识别深度学习；原研究总体材料包含 HEK293T、H9c2 和 RAW264.7，不能据汇总表推定各成像/验证均用全部细胞系。
- 方法版本
- 2024-08-21 原摘要与公开补充范围
- 实验形式
- 单细胞序列分割/匹配，学习特征后与已知机制参照检索比较。
材料与平台
- 生物输入
- 药物暴露后的线粒体形态和膜电位时序图像。
- 建模数据
- 总库 1068 药物/570096 张单细胞图像；建模子集 477 药物/16699 段序列，38 类别含溶剂参照。
- 分析步骤
- 质量检查、Cellpose 分割、跨时间匹配和序列生成；重识别框架比较查询与参照特征。
测量指标与分析
- MOA 类别检索
- 测试 Rank-1
- 测试 mAP
- 未训练药物机制线索
按查询与参照序列检索 MOA 类别，分别报告 Rank-1 和 mAP；图像、序列、药物与类别分别计数。
研究设计与结果
方法可行性研究
- 研究设计
- 给定 MOA 参照与查询序列；MitoReID 与文中基线/特征方法的有界比较。
- 测试范围
- 主要建模子集为 477 种药物、16699 段单细胞图像序列和 38 个类别，含溶剂参照；图像、序列和药物分别计数。
- 参照体系
- 给定 MOA 参照与查询序列；MitoReID 与文中基线/特征方法的有界比较。
- 研究结果
- 主摘要及 SI Table1 报告 Rank-1 76.32%、mAP65.92%；八种未训练药物中六种预测包含与标签相符机制，两种未相符，正确类别未必排首位；另报告表儿茶素 COX2 机制线索。
适用条件与研究局限
- 材料同时涉及人源及动物来源细胞背景；汇总细胞系名单不能代表每项成像和验证任务均使用全部细胞系。
- 线粒体表型所识别机制需目标验证；不等于人体药效/毒性预测。
- 补充资料对基线方法和模糊判定的文字、表格记载不一致，相应条件仍有不确定性。
来源与原文
- Deep learning large-scale drug discovery and repurposing原始研究 · Nature Computational Science · 2024-08-21