基于深度学习的多物种秀丽隐杆线虫胚胎首次分裂阶段分类研究揭示细胞不对称分裂的进化保守性

本研究针对无标记DIC显微镜下多物种线虫胚胎首次分裂阶段分类的难题，开发了EvoCellNet等四种卷积神经网络模型。研究人员通过分析23种Caenorhabditis属线虫的胚胎分裂时序图像，实现了对前核迁移(PM)、中心旋转(CR)、纺锤体位移(SD)和胞质分裂(Cy)四个阶段的自动化分类，准确率达91%以上。该研究首次证明深度学习可捕捉跨物种保守的亚细胞特征，为比较细胞生物学研究提供了新工具，相关代码已开源。

　　

在发育生物学研究中，秀丽隐杆线虫(Caenorhabditis elegans)因其透明的胚胎和规范的细胞分裂过程，成为研究不对称细胞分裂的理想模型。然而，跨物种比较研究面临重大挑战：传统依赖分子标记的方法在非模式物种中难以实施，而无标记的微分干涉相差(DIC)显微镜图像分析仍高度依赖人工判读。更关键的是，不同物种间细胞分裂动力学与物理参数（如皮层拉力F、有效粘度η_eff）的进化关系尚不明确。这些瓶颈严重限制了从比较生物学角度理解细胞分裂机制的进化规律。

Dhruv Khatri、Prachi Negi和Chaitanya A. Athale团队在《npj Systems Biology and Applications》发表的研究，创新性地将深度学习应用于这一领域。研究利用23种Caenorhabditis属线虫的DIC时序图像数据集，开发了包括定制浅层网络EvoCellNet在内的四种卷积神经网络(CNN)。通过四折交叉验证和图像增强技术，系统比较了网络性能。借助梯度加权类激活映射(Grad-CAM)和UMAP降维分析，揭示了网络决策的生物学基础。

关键技术方法包括：1) 采集23种线虫胚胎DIC时序图像构建标注数据集；2) 设计浅层网络EvoCellNet并与ResNet、VggNet、EfficientNet对比；3) 采用四折交叉验证和旋转/翻转等数据增强；4) 应用Grad-CAM可视化网络关注区域；5) 通过UMAP和SVM分析分类边界。

训练CNNs检测线虫胚胎首次分裂阶段

研究将胚胎首次分裂分为四个形态学阶段：前核迁移(PM)、中心旋转(CR)、纺锤体位移(SD)和胞质分裂(Cy)。通过169个时序视频的训练，EvoCellNet仅用0.7M参数就达到与复杂网络相当的分类性能，测试集平均F1-score达95%。

EvoCellNet混淆矩阵与深度网络相当

尽管所有网络在SD阶段识别稍弱（因CR→SD过渡连续），但EvoCellNet对PM阶段识别准确率达98.87%，显著优于其他网络。激活向量分析表明，浅层网络更关注纺锤体、前核等亚结构，而深层网络依赖全局特征。

Grad-CAM揭示生物学可解释特征

EvoCellNet的激活热图与纺锤体极、前核等关键结构高度重合，证明其决策依据与专家判读标准一致。相比之下，深层网络的激活区域更分散，包含更多背景噪声。

温度与成像模态影响分类性能

在20°C培养的C. elegans和C. briggsae胚胎中，网络保持良好分类能力；但30°C样本因形态异常导致分类失败。荧光显微镜数据完全无法分类，表明当前模型仅适用于特定条件下的DIC图像。

这项研究首次证明浅层CNN可捕捉跨物种保守的细胞分裂特征，为比较细胞生物学研究建立了新范式。EvoCellNet的生物可解释性特征识别能力，使其成为连接计算科学与实验生物学的桥梁。尽管在极端条件样本分类上存在局限，但该框架为自动化分析进化发育过程中的细胞动力学提供了工具基础。未来整合时序建模和跨模态学习，有望进一步拓展其在遗传筛选和表型分析中的应用价值。