编辑推荐：
在哺乳动物卵母细胞研究中，确定卵母细胞质量和发育潜能的可靠标记面临难题。研究人员开发 Fluo-Cast-Bright 深度学习流程，能无创预测活小鼠卵母细胞染色质结构和发育潜能，为下游研究和临床应用提供帮助。
在生命科学的微观世界里，哺乳动物卵母细胞的奥秘一直吸引着科研人员不断探索。卵母细胞作为孕育生命的关键细胞，其质量和发育潜能直接关系到胚胎的正常发育。然而，当前在卵母细胞研究领域，却面临着诸多棘手的问题。一方面，确定卵母细胞质量和发育潜能的可靠细胞或分子标记，对人类不孕症治疗和动物繁殖研究意义重大，但一直难以实现。现有的检测方法，如蛋白质交联和免疫荧光分析等，不仅具有侵入性，会对卵母细胞造成损害，还限制了后续的下游应用。另一方面，染色质结构在卵母细胞的发育过程中起着至关重要的作用，可现有技术却无法在不损伤细胞的前提下，准确地对其进行分析。
为了解开这些谜团，美国佐治亚大学（University of Georgia）的研究人员 Xiangyu Zhang、Claudia Baumann 和 Rabindranath De La Fuente 展开了一项极具意义的研究。他们的研究成果发表在《Communications Biology》上，为该领域带来了新的曙光。
研究人员运用了多种关键技术方法。首先是深度学习技术，构建了基于卷积神经网络（CNN）的 Fluo-Cast-Bright 流程，包括荧光预测网络和分类网络。其次，通过对固定和活卵母细胞进行成像，获取大量图像数据用于模型训练和验证。此外，还利用 RNA 测序（RNA-seq）技术分析不同染色质状态卵母细胞的转录组差异。
开发用于无创预测排卵前卵母细胞染色质构型的深度学习流程
研究人员开发的 Fluo-Cast-Bright 流程，可从明场活卵母细胞图像准确预测染色质构型的荧光图像，并进行 NSN/SN 分类。该流程的荧光预测网络基于 U-Net++ 架构，分类网络基于 ResNeXt-101 架构。经训练，在固定卵母细胞染色质状态分类中准确率达 91.3%，在活卵母细胞中为 85.7%。
活排卵前卵母细胞染色质构型的无创预测
由于活卵母细胞内成分的运动影响预测准确性，研究人员用活卵母细胞重新训练分类网络。重新训练后，对 42 个新的活卵母细胞图像进行测试，结果显示该流程在预测染色质构型方面表现良好，准确率为 85.7%。
确定对深度学习流程性能至关重要的成像特征
通过比较预测荧光图和明场图像，发现荧光预测网络可识别染色质结构相关信息。利用消融类激活图方法确定了分类网络中重要的成像特征，发现分类网络主要关注常染色质和异染色质区域，染色质环的亮度在分类中起重要作用。
DNA 小沟结合配体对核仁结构和卵母细胞转录谱的影响
研究发现，活卵母细胞暴露于 DNA 结合配体（如 Hoechst 33342）会导致核仁结构受损、染色体分离异常，还会显著影响基因表达模式，这表明现有的一些卵母细胞分离方法可能存在局限性。
无创选择具有高发育潜能的活卵母细胞后的转录组分析
使用 Fluo-Cast-Bright 流程对活 NSN 和 SN 卵母细胞进行无创选择后，进行 RNA 测序分析。结果显示，SN 卵母细胞中与 RNA 和蛋白质核输出、母体 mRNA 去腺苷酸化、组蛋白修饰等相关的转录本表达更高，这为揭示卵母细胞质量的分子标记提供了关键证据。
研究表明，Fluo-Cast-Bright 流程能够高效、无创地预测卵母细胞染色质结构和发育潜能，为后续研究和临床应用提供了有力工具。该研究还揭示了不同染色质状态卵母细胞的转录组差异，为深入理解卵母细胞成熟和发育的分子机制奠定了基础，对推动人类不孕症治疗和动物繁殖技术的发展具有重要意义。
