《Advanced Intelligent Systems》：AI-Based Mitochondrial Network Characterization as a Biomarker for DNM1L-Related Disease Diagnosis
编辑推荐：
DNM1L基因的致病变异会损害Drp1的功能，而Drp1是线粒体和过氧化物酶体分裂的关键调控因子，由此导致具有广泛临床谱系的神经发育障碍。Drp1缺陷的临床和功能异质性使得对新的意义未明变异（VUS）的解读变得复杂，阻碍了疾病的诊断和恰当的管理。这项概念验证研
DNM1L基因的致病变异会损害Drp1的功能，而Drp1是线粒体和过氧化物酶体分裂的关键调控因子，由此导致具有广泛临床谱系的神经发育障碍。Drp1缺陷的临床和功能异质性使得对新的意义未明变异（VUS）的解读变得复杂，阻碍了疾病的诊断和恰当的管理。这项概念验证研究评估了基于AI的线粒体网络表型分析是否可作为DNM1L突变的一个特征性标志，以支持疾病诊断。利用荧光共聚焦显微镜图像，对DNM1L患者的原代成纤维细胞进行有监督的机器学习分类，能够将其与对照组及其他线粒体疾病区分开来。为避免人工数据提取，研究人员采用了深度学习卷积神经网络（CNN）EfficientNetB0，遵循两种方法：直接微调（FT）和课程学习微调（CFT），后者通过从易到难的显微图像训练模型以提取层级视觉特征。其中，CFT取得了最佳性能，准确率达77%，AUC（ROC曲线下面积）达0.92，从而能够最优地将DNM1L线粒体网络与其他线粒体疾病区分开来。总体而言，这些发现提供了概念验证：患者来源成纤维细胞中的线粒体网络形态可能构成DNM1L缺陷的一种疾病相关表型特征，并可作为解读DNM1L变异的一种潜在有用的补充功能读数。在考虑其临床诊断应用之前，仍需在更大队列和独立实验环境中进行进一步验证。
论文解读文章
一、研究背景与问题
线粒体作为细胞能量代谢的核心细胞器，其形态动态变化——即分裂与融合的平衡——对细胞稳态和神经发育至关重要。DNM1L基因（OMIM *603850）编码发动蛋白相关蛋白1（Drp1），该蛋白属于发动蛋白家族大GTPase，在线粒体和过氧化物酶体的分裂过程中发挥关键调控作用。Drp1在线粒体-内质网接触位点组装成同源寡聚复合物，通过水解GTP驱动构象变化，实现线粒体内外膜的切割。
目前已报道超过40种DNM1L基因突变，其临床表型谱极为广泛，包括致死性脑病、难治性癫痫、视神经萎缩5型和儿童帕金森综合征等。更为棘手的是，不同突变对Drp1蛋白表达、寡聚化及线粒体膜定位的影响各异，功能研究也报道了线粒体生物能量稳态的不同效应——有的表现为正常ATP产生，有的则下降。这种临床和功能上的双重异质性，使得对DNM1L新发现的VUS的致病性解读极为困难，严重阻碍了疾病的准确诊断和恰当管理。然而，所有已报道病例均一致显示一个共同特征：DNM1L患者细胞呈现拉长且过度融合的线粒体网络。基于这一共识，研究人员提出将线粒体网络形态分析作为辅助DNM1L分子诊断的新型工具。鉴于现有的线粒体形态分析方法耗时且难以在临床实践中推广，本研究开展了一项基于AI的线粒体网络自动分类概念验证研究，以支持DNM1L患者与其他线粒体疾病或对照组的鉴别。
二、研究内容与主要结论
研究人员从5名携带不同DNM1L突变的患者（包括新变异c.2167A>G/p.Arg723Gly和常见变异c.1084G>A/p.Gly362Ser）及性别和年龄匹配的对照中获取原代皮肤成纤维细胞，系统分析了其线粒体网络形态特征。研究发现，DNM1L成纤维细胞呈现独特的形态学特征：线粒体网络分支更长更细，分支连接点/末端点比值较对照组增加40%，表现出高度互联的架构。值得注意的是，尽管线粒体网络形态在各患者间高度一致，但生物能量学表现却各不相同——线粒体ATP、活性氧（ROS）产生及抗氧化酶表达在不同患者间呈现差异化改变，进一步凸显了线粒体网络形态作为稳定生物标志物的独特价值。
三、关键技术方法
研究人员采用了多层次的技术路线。首先，通过免疫荧光结合共聚焦显微镜成像获取线粒体网络图像，利用ImageJ平台的Mitochondria Analyzer插件进行形态学参数化。在此基础上，构建了两类分类模型：其一为基于11个非冗余形态学参数的有监督机器学习模型，比较了岭惩罚多项逻辑回归（GLM）、线性支持向量机（SVM）、径向基函数SVM（RBF-SVM）、朴素贝叶斯和随机森林五种算法；其二为基于EfficientNetB0卷积神经网络（CNN）的深度学习模型，采用直接微调（FT）和课程学习微调（CFT）两种训练策略。样本队列包括3个对照细胞系（7次成像会话）、5名DNM1L患者（共10次成像会话）和7名其他线粒体疾病患者（OTHERMIT，7次成像会话），共24个会话级观测用于机器学习训练；深度学习则使用22张对照图像、36张DNM1L图像和32张OTHERMIT图像。数据集按患者（细胞系）层面划分以避免数据泄漏。
四、研究结果
DNM1L成纤维细胞呈现过度融合和拉长的线粒体网络：通过抗TOMM20免疫荧光染色和Mitochondria Analyzer参数化分析，研究人员发现DNM1L成纤维细胞具有独特的形态学特征——线粒体网络积累为更长更细的分支。二维分析显示，DNM1L成纤维细胞呈现高度互联的架构（Hotelling's T2检验，p=0.0012），分支连接点/末端点比值较对照组增加40%。
DNM1L线粒体网络不同于其他线粒体疾病患者，可通过机器学习方法分类：研究人员比较了五种多分类机器学习算法，其中RBF-SVM表现最佳，准确率达88.2%±13.3%，AUC为0.98±0.06。该模型将100%的DNM1L样本正确分类，无任何DNM1L样本被误判为对照组或其他线粒体疾病。然而，模型在区分对照组和OTHERMIT时表现欠佳，两者分别有24.3%和14.3%的误分类率，这反映了其他线粒体疾病组内形态的异质性。
改进的CNN EfficientNetB0流程可准确分类DNM1L线粒体网络：研究人员开发了基于EfficientNetB0的深度学习流程，比较了直接微调（FT）和课程学习微调（CFT）两种策略。CFT采用从低分辨率（1282）到高分辨率（10242）的渐进式训练方案，使网络先学习全局线粒体特征再细化局部形态细节。CFT取得了77%±12%的准确率和0.92±0.07的AUC，显著优于FT（60%±17%准确率，0.85±0.08 AUC）。消融实验证实，CFT的优势并非单纯来自训练轮次的增加。CFT正确分类了94.4%的DNM1L图像，并将OTHERMIT的正确分类率提升至近70%。梯度加权类激活映射（Grad-CAM）可视化显示，CFT模型的激活模式更集中于与拉长和过度融合相关的网络区域，表明其特征识别更为高效。
五、讨论与结论
本研究提供了概念验证：AI-based线粒体网络形态分析能够在患者来源成纤维细胞中识别DNM1L缺陷相关的表型特征。尽管RBF-SVM在分类效率上优于两种深度学习方案，但CFT模型具有消除人工提取线粒体网络描述符需求的方法学优势，避免了专家监督和主观性偏差。研究同时指出若干局限性：样本量较小、缺乏其他线粒体动力学缺陷患者的成纤维细胞样本、以及SLC25A22突变细胞等部分OTHERMIT病例呈现的拉长线粒体网络与DNM1L表型存在部分重叠。因此，在考虑临床诊断应用之前，仍需在更大规模、独立和多中心队列中进行前瞻性验证。总体而言，这一自动化方法有望在基因检测后为解读新的DNM1L变异提供补充性功能读数，辅助疾病诊断和患者管理。
