机器学习图像分析可预测iPS神经元中的帕金森病基因型及线粒体溶酶体异常

《npj Parkinson's Disease》：Machine learning image analysis predicts Parkinson disease genotype and mitochondrial lysosomal abnormalities in iPS neurons

　　

摘要

在线粒体与溶酶体功能异常方面，这是包括PRKN、SNCA和LRRK2在内的多种帕金森病遗传类型的核心特征。我们采用了基于机器学习的“细胞形态组学”技术——该技术将高内容成像与定量特征提取相结合——来分析来自帕金森病患者及健康对照组的iPS细胞衍生的皮质神经元的线粒体与溶酶体形态，分析尺度为单细胞级别（共13组样本）。监督式机器学习模型能够以较高精度区分帕金森病神经元与正常神经元（AUC值为0.87），并且还能准确区分不同的基因型。特征重要性与归因分析显示，不同基因型在线粒体与溶酶体特征的相对重要性上存在差异：PRKN神经元中线粒体特征在分类中起主导作用，SNCA神经元中线粒体与溶酶体特征的重要性相当，而LRRK2神经元中则溶酶体特征更为重要。多类模型也保持了良好的性能，而且在不同实验室、使用不同染色剂和成像条件下，研究结果依然一致。这些结果表明，细胞形态组学为量化帕金森病神经元中不同基因型对应的细胞器异常提供了一种可靠且可扩展的方法，同时也有助于实现神经元的分类以及生物标志物的发现。