《Aging Cell》：Deep Learning Predicts Hematopoietic Stem Cell Aging From 3D Chromatin Images
编辑推荐：
衰老过程中造血系统的功能衰退影响机体功能，并导致健康寿命缩短。量化造血系统衰老具有重要的科学和临床意义。染色质结构的改变是公认的衰老标志之一，其编码了衰老过程丰富且具信息量的特征，但尚未被充分开发为定量标志物。在此，研究人员提出一种基于卷积神经网络（convo
衰老过程中造血系统的功能衰退影响机体功能，并导致健康寿命缩短。量化造血系统衰老具有重要的科学和临床意义。染色质结构的改变是公认的衰老标志之一，其编码了衰老过程丰富且具信息量的特征，但尚未被充分开发为定量标志物。在此，研究人员提出一种基于卷积神经网络（convolutional neural network，CNN）的可解释深度学习方法——ChromAgeNet，用于学习造血干细胞（hematopoietic stem cell，HSC）衰老过程中染色质架构空间特征的变化。研究人员在DAPI染色的HSC核三维显微镜图像上训练该算法，以区分年轻和衰老小鼠HSC，获得了0.77±0.03的受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUROC）。该方法优于在同一数据集上基于手工染色质特征训练的传统机器学习模型。随后，研究人员应用可解释人工智能（explainable artificial intelligence，XAI）技术，识别出染色质熵、外周异染色质和染色质凝聚体作为预测标志物。作为概念验证，研究人员评估了该模型作为表型筛选工具的潜力，用于检测经表观遗传药物处理的衰老HSC中的年轻化（rejuvenation）信号。总而言之，研究人员证明了染色质组织的变化可通过机器学习建模，以预测造血系统中与年龄相关的染色质状态。所开发的框架ChromAgeNet作为一种可解释算法，有助于揭示染色质变化与干细胞衰老之间的复杂关系，并推动用于年轻化疗法的高通量药物筛选。
年龄是发达国家常见人类疾病的主要风险因素，衰老源于细胞和亚细胞层面的生物学退化。造血系统在衰老过程中尤其受损，造血干细胞（hematopoietic stem cell，HSC）的功能衰退是驱动老年造血系统损伤的核心事件。尽管染色质结构改变是公认的衰老标志之一，但作为定量标志物尚未被充分开发。现有衰老预测模型多基于DNA甲基化、端粒长度、基因组不稳定性和细胞衰老等，而核内染色质三维空间组织变化在HSC衰老预测中仍属空白。HSC具有显著异质性，单个细胞水平的年龄相关染色质状态识别方法亟待建立。为此，研究人员开发了可解释深度学习框架ChromAgeNet，从DAPI染色的HSC核三维共聚焦图像中学习HSC衰老相关的染色质空间特征，并将其应用于年轻化药物筛选。
研究人员构建了ChromAgeNet，在DAPI染色的3D共聚焦图像上区分年轻与年老小鼠HSC，结合可解释人工智能（XAI）识别关键染色质模式，并验证其对药物处理的年老HSC中年轻化信号的检测能力。结果表明，深度学习模型优于传统手工特征机器学习，识别出染色质熵、外周异染色质和染色质凝聚体等预测标志物，并能检测表观遗传药物引起的年龄相关染色质状态变化。该研究首次将3D染色质图像与深度学习结合用于HSC衰老建模，为高通量年轻化药物筛选提供了可解释、可扩展的平台。
研究人员使用来自C57Bl6小鼠的HSC样本，其中年轻小鼠为10–16周龄，年老小鼠大于80周龄，最终纳入552个年轻HSC和551个年老HSC的DAPI染色3D共聚焦图像。图像经过去噪、各向同性重采样至0.05 μm、Otsu阈值分割，提取2D切片并进行数据增强。ChromAgeNet采用Xception简化架构，基于深度可分离卷积，参数量约35万；以2D切片为输入，通过soft voting将同一细胞所有切片的预测概率聚合为核级得分，并应用Beta校准提高概率可靠性。传统基线使用PyRadiomics提取70个手工染色质特征，包括灰度共生矩阵、灰度游程矩阵等，训练XGBoost等分类器。可解释性采用SHAP、遮挡敏感性、激活最大化和HSIC注意力。药物筛选实验使用Rho GTP酶抑制剂（CASIN、RhoA抑制剂）和H3K9甲基化调节剂（UNC0646、IOX1）处理年老HSC。
2.1 一个新的DAPI染色HSC衰老过程3D数据集：研究人员构建了包含1103个HSC核的3D图像数据集，经质控和切片提取共得81,643张2D切片。切片级模型AUROC为0.72，经soft voting聚合到核级后升至0.77，证明整合完整3D堆栈信息可增强判别能力。
2.2 深度学习区分年轻与年老HSC：五折交叉验证显示，核级AUROC为0.77±0.03，准确率为0.68±0.05，F1为0.69±0.02；模型对年轻HSC更敏感（真阳性率78%），对年老HSC特异性为61%。Beta校准后期望校准误差为0.02，Brier分为0.22，概率输出可靠。结果表明年龄相关的染色质变化可被CNN捕获。
2.3 与手工染色质特征模型的比较：基于70个手工特征训练传统机器学习模型，最佳校准XGBoost的AUROC为0.73±0.04，低于ChromAgeNet的0.77±0.03。特征选择可提升树模型性能，但逻辑回归表现不佳。说明CNN直接学习原始图像具有更高判别力。
2.4 染色质提取特征可提供衰老相关信息：SHAP重要性分析显示，最稳定的特征包括纹理描述符（如尺寸区非均匀性、总和熵）、Wavelet中位强度和最短轴长度，这些特征在年轻与年老HSC间差异显著。UMAP嵌入显示两类密度分离。技术混杂检验未发现明显采集年份聚类，ChromAgeNet预测与操作者、图像强度、噪声等参数的关联可忽略（R
2≤0.03）。结论为手工特征虽判别力较低，但提供了可解释的衰老表型信息。
2.5 ChromAgeNet揭示与HSC衰老相关的空间染色质模式：XAI分析显示，年轻HSC的模型注意力集中于核膜、核仁和核内陷区域，而年老HSC的注意力则分散于大型DAPI凝聚体和核膜不规则DAPI信号。年老HSC注意力图的Shannon熵更高，注意力沿核边界距离分布存在差异，年轻HSC在约1.5 μm处呈正性。说明模型学习到核膜异染色质丧失、染色质凝聚等衰老特征。
2.6 深度学习检测药物处理的年老HSC染色质变化：以未处理年老HSC为基线（年轻化得分0.34±0.14），Rho GTP酶抑制剂CASIN和RhoA抑制剂处理后得分升至0.40和0.48，H3K9甲基化调节剂UNC0646和IOX1处理后分别达0.56和0.55，与年轻HSC（0.55）接近。这表明H3K9甲基化相关药物可能促使年老HSC恢复年轻染色质模式，支持ChromAgeNet作为表型筛选工具。
讨论部分指出，HSC衰老存在显著表观异质性，模型预测的跨折变异与此一致。染色质提取特征中的熵相关指标与衰老导致的染色质组织紊乱和核纤层关联域（LAD）侵蚀相符。XAI提供的核膜、核仁注意力与已知衰老变化一致。药物实验提示表观遗传药物可改变核染色质组织，但需独立功能验证。局限性包括技术批次效应、以日历年龄作为标签忽略生物学年龄异质性、仅用DAPI染色无法区分衰老相关其他改变。未来工作可引入3D CNN、多模态染色（如RNA Pol II、组蛋白修饰），并需在独立数据集和人源样本上验证。
结论：研究人员证明了与衰老相关的核结构改变可利用显微成像和机器学习构建模型，区分年轻和年老HSC。该研究首次将深度学习用于学习DAPI染色的单个HSC核图像中与年龄相关的染色质变化特征，作为传统DNA甲基化时钟等衰老生物标志物的稳健替代方案。尽管衰老存在固有异质性且DAPI图像缺乏肉眼可见的明显差异，ChromAgeNet仍能以稳健准确度区分年轻和年老HSC。此外，XAI流程提供了图像层面特征重要性的因果解释。由于公共数据集中缺乏HSC成像数据且HSC成像劳动密集，研究人员发布了所构建的HSC 3D显微数据集和ChromAgeNet，为HSC衰老研究提供宝贵开放资源。DAPI的低成本和模型的较小参数量使得该方法适用于高通量显微工作流程，可能加速HSC年轻化药物发现。
