基于深度学习的高信息量图谱表示方法在早期细菌生物膜研究中的应用

《npj Biofilms and Microbiomes》：Deep learning-based high-information-content graph representation of early stage bacterial biofilms

　　

摘要

细菌生物膜是一种复杂的、具有空间组织的微生物群落，它们对抗生素的抵抗力更强，并且会导致慢性感染。了解其结构，尤其是在早期形成阶段，对于开发有效的干预策略至关重要。在这里，我们提出了一个高分辨率的计算框架，该框架将生物膜建模为无向交互图，其中单个细菌细胞表示为顶点，预测的细胞间相互作用表示为边。通过结合显微镜可视化和深度学习，我们开发了一个流程，该流程使用了Mask R-CNN进行细胞分割，并使用了一个自定义的神经网络（BINet）进行相互作用预测。这种基于图的表示方法能够实现对生物膜生长的定量分析、识别重复出现的结构模式以及分类特定底物的定植模式。我们展示了这种方法在根据图像生成的图特征预测生物膜发育阶段和物质类型方面的实用性。这项研究提供了一种工具，用于揭示生物膜组织的非显而易见模式，并描述了一种可扩展的、信息含量高的方法，用于微生物群落的自动化分析，为系统层面的微生物学研究开辟了新的可能性。