MitoDecode：从荧光图像定量解码线粒体应激状态的表型

从细胞荧光图像中对线粒体应激进行定量测量仍是一项具有挑战性的任务。现有方法依赖于线粒体分割、人工预定义特征以及离散的表型严重程度分类，容易产生误差和偏倚。在此，我们提出 MitoDecode，这是一个深度学习网络，可从荧光显微镜图像自动评估线粒体应激的类型和严重程度。MitoDecode 无需线粒体分割，无需参数，并且可同时适用于衍射极限和超分辨光学成像模态。它为每个单个细胞分配一个表型概率谱，指示表型应激的类型和严重程度。因此，该读出结果使得能够在不同应激源之间进行比较，并为潜在机制提供线索。此外，该方法能够连续捕捉跨治疗剂量下的表型变化，揭示原本会被遗漏的细微差异。我们展示了 MitoDecode 在不同细胞类型、成像模态和应激条件下的适应性，并表明即使应激源靶向非线粒体通路，它也能可靠地检测线粒体表型。我们用生化实验验证了模型的可靠性，展示了其在药物处理表型应激谱分析中的实用性，并展望了其在早期疾病检测、药物发现和机制先导化合物生成中的应用。

中文由 AI 翻译，仅供参考，以原文为准。