《Journal of Extracellular Vesicles》:Automated Cryo-EM and Supervised Machine Learning Enable Reproducible Characterization of Extracellular Vesicles and Co-Isolating Particles
编辑推荐:
为了解决细胞外囊泡(EV)表征中成像通量低、图像分析复杂且主观性强的问题,研究人员结合自动化冷冻电镜(cryo-EM)成像与监督机器学习(sML),建立了一个高通量、可重复的工作流程。该工作不仅能自动检测、测量和分类EVs,还能区分脂蛋白(HDL, LDL, VLDL)等非EV颗粒,为评估EV样品异质性、纯度及共分离污染物提供了有力工具,推动了EV研究领域的进步。
细胞外囊泡(Extracellular Vesicles, EVs)是几乎所有细胞类型都会释放的、由脂质双分子层包被的纳米至微米级颗粒。它们在细胞废物清除和细胞间通讯中扮演关键角色,并已成为前景广阔的疾病生物标志物和潜在的治疗剂。然而,要真正理解和利用EVs,首先必须能准确地“看清”和“识别”它们。这带来了一个核心挑战:如何从复杂的生物样品中,明确无误地将EVs与其他大小、物理性质相似的非EV颗粒(如脂蛋白、蛋白质聚集体等)区分开来?
传统的识别和表征方法存在局限。根据国际细胞外囊泡学会(International Society of Extracellular Vesicles, ISEV)发布的最新指南(MISEV 2023),脂质双分子层的存在是定义EV的关键结构特征。冷冻电子显微镜(cryo-electron microscopy, cryo-EM)是目前唯一能在天然水合状态下直接可视化EV脂质双分子层的技术,同时还能提供颗粒大小、形态和结构细节的宝贵信息。这使其成为EV鉴定和样品纯度评估的理想工具。然而,cryo-EM在EV研究中的广泛应用长期受到几个关键瓶颈的限制:首先是技术可及性低;其次是成像和分析通量低下,传统手动方法耗时费力,通常只能获得少量图像,难以全面反映样品构成;最后是图像分析的主观性,研究人员手动选择感兴趣区域和识别颗粒,容易引入人为偏差,导致结果可重复性差。特别是对于EV浓度较低(例如低于约106颗粒/毫升)的珍贵样品,进行全面表征更是困难重重。
正是为了突破这些瓶颈,一项发表在《Journal of Extracellular Vesicles》上的研究,开发并验证了一个结合了自动化cryo-EM成像与监督机器学习(supervised machine learning, sML)辅助图像分析的全新工作流程。这项研究旨在实现EVs及其共分离颗粒的高通量、客观、可重复的检测与表征,为EV研究的标准化和深入理解提供了强大的新工具。
为开展这项研究,研究人员主要运用了以下几个关键技术方法:首先,他们使用人乳腺癌MDA-MB-231细胞的条件培养基作为模型系统,通过低速离心、超滤(Ultrafiltration, UF)和尺寸排阻色谱(Size Exclusion Chromatography, SEC)等温和方法纯化和浓缩EVs,以保持其结构完整性。其次,他们利用自动化软件(EPU)在Talos Arctica冷冻电镜上进行高通量图像采集,实现了每小时数百张高质量图像的稳定获取。最后,在图像分析方面,他们采用了基于卷积神经网络(Convolutional Neural Network, CNN)的监督机器学习方法:先手动标注图像中的目标结构(如EVs、脂蛋白等)作为训练集,然后训练出相应的模型,用于自动预测和分割大图像数据集中的同类颗粒。对于EV的精确粒径测量,他们结合了sML预测的脂质双分子层分割结果与霍夫圆变换(Hough circle transform)算法。研究还使用了商品化的人脂蛋白(HDL, LDL, VLDL)以及健康捐献者的血浆样本,来验证方法在区分EVs与复杂污染物方面的能力。
3.1 大样本数据集中EVs及其他颗粒的自动检测与定量
研究人员首先对MDA-MB-231细胞来源的EV样品自动采集了2000张cryo-EM图像。通过sML方法,他们训练了两个模型来检测颗粒:一个是针对由脂质双分子层包被的EVs,另一个是针对小的致密颗粒(平均直径约45.3纳米),这类颗粒缺乏脂质双分子层,类似于外泌体(exomeres)。应用这些模型,他们成功实现了对图像中EVs和小致密颗粒的自动分割、计数和粒径测量,证明了该方法处理大数据集的能力。
3.2 基于双分子层识别的CNN模型自动检测EVs
为了更精确地识别EVs的标志性结构——脂质双分子层,并提高对大小EVs的检测准确性,研究人员转而使用成像质量更高的直接电子探测器(DED)拍摄图像。他们利用富含脂质双分子层的脂质体样品训练了一个专门的CNN模型,用于检测脂质双分子层本身。这个模型能准确地从图像中分割出EV的脂质双分子层(呈环状结构),而不会错误识别VLDL等非双分子层颗粒。随后,他们通过霍夫圆变换算法,从这些环状分割中自动计算出EV的直径。这种结合sML双分子层分割与霍夫圆变换的方法,建立了一个从检测到粒径测量的鲁棒自动化流程。
3.3 异质样品中EVs和脂蛋白的自动检测
研究的下一个目标是区分EVs与常见的共分离污染物——脂蛋白。他们观察了血浆来源样品以及商品化脂蛋白样品中的典型结构,包括形态各异的EVs、高密度脂蛋白(HDL)、低密度脂蛋白(LDL)、极低密度脂蛋白(VLDL)以及冰污染、蛋白质聚集体等。研究人员制备了EVs与多种脂蛋白的混合样品,并分别训练了用于检测HDL、LDL、VLDL以及冰污染的sML模型。在分析前对图像进行带通滤波预处理,有效提升了模型对脂蛋白的识别精度。应用这些模型,他们成功地在同一张图像中同时、自动地预测出了EV脂质双分子层、不同类型的脂蛋白以及冰污染,并用不同颜色清晰标示,直观展示了样品复杂的组成成分。
3.4 血浆中EVs和脂蛋白的检测
最后,研究人员将建立的工作流程应用于更接近真实生物样本的复杂环境——人血浆。直接成像未经处理的血浆时,高丰度的可溶性蛋白质形成了颗粒状背景,严重干扰了LDL等小颗粒的检测。通过使用35纳米截留的SEC对血浆进行预处理,可以有效去除大部分可溶性蛋白和HDL,从而降低了背景噪音。处理后的血浆图像中,研究人员的sML模型能够成功检测出VLDL颗粒和EVs的脂质双分子层,证明了该工作流程在复杂生物体液样本中识别特定目标颗粒的潜力。
这项研究的讨论部分首先强调了其对于应对EV领域关键挑战的意义。该工作流程通过自动化cryo-EM成像解决了通量低和主观偏差的问题,通过sML辅助分析实现了对EVs及其同分离颗粒的客观、可重复检测与分类。其核心优势在于能够直接可视化并识别EV的定义性特征——脂质双分子层,从而可靠地将EVs与脂蛋白、蛋白质聚集体等非EV颗粒区分开,为评估EV样本纯度提供了直接的结构学证据。
研究者也客观讨论了当前方法的局限与未来方向。例如,sML模型的性能依赖于训练数据的质量和数量,扩大和多样化训练集将提升模型的普适性和准确性。此外,冷冻制样过程中可能产生的假象(如颗粒在支撑膜上的吸附偏好、空气-水界面导致的蛋白变性等)仍需注意。尽管存在这些挑战,但本研究建立的自动化、高通量工作流程标志着EV表征技术向前迈出了重要一步。它不仅为EV的鉴定、粒径测量和形态分类提供了标准化工具,更重要的是,为评估样品纯度、识别共污染物开辟了新途径。未来,该方法可与冷冻电子断层扫描(cryo-electron tomography, cryo-ET)、冷冻相关光电子显微术(cryo-correlative light and electron microscopy, cryo-CLEM)等技术结合,进一步揭示EV的三维超微结构及其携带的生物分子,从而在更深层次上理解EV的生物学功能及其在生理和病理中的作用。总之,这项研究为推进EV研究的可重复性、标准化和深入探索提供了强大的方法学支撑。