无需标记的线粒体分割技术，用于同时进行形态学与代谢研究

《Communications Biology》：Label-free segmentation of mitochondria for simultaneous morphological and metabolic studies

　　

摘要

线粒体的结构与功能动态变化与细胞健康状况密切相关。传统的用于观察线粒体的荧光成像技术存在光毒性、光漂白以及染色伪影等限制。在本研究中，我们提出了RedoxSegNet这一基于人工智能的成像平台，它能够在无需使用染色剂的情况下对线粒体进行无标记分割，从而实现形态学与功能学的同步分析。该方法结合高分辨率双光子激发荧光显微镜以及自定义的条件扩散模型，从NAD(P)H自荧光图像中重建线粒体特征。通过后续的后处理算法进行分割后，其任务特定性能误差平均低于6%，与经过线粒体染色的图像相比表现优异。我们训练出的模型能够有效从无标记图像中提取线粒体特征，进而有助于测定线粒体特有的光学氧化还原比率。研究结果表明，该分析方法能够揭示线粒体内部以及不同线粒体之间的代谢异质性。进一步在由氰基丙二酰苯腙（FCCP）诱导的线粒体应激条件下进行的验证表明，RedoxSegNet能够捕捉到线粒体的动态碎片化现象以及不同的代谢反应。总体而言，这些研究结果证明了该技术是一种非侵入性的、可靠的工具，可用于研究天然细胞环境中的线粒体形态功能动态变化。