JMB | 王立明/許浩東團隊開發Deeptosis?AI平臺，明場下無標記精準區分凋亡與焦亡

凋亡與焦亡是兩種至關重要的程序性細胞死亡方式，在腫瘤、炎癥、免疫和藥物應答中扮演關鍵角色。兩者雖在典型形態上特征分明 ， 但在常規明場顯微圖像中，由于缺乏熒光標記的對比增強，這些形態差異往往不夠突出，加之細胞死亡過程的動態連續性和中間態的模糊性，人為憑經驗很難快速、客觀地進行可靠區分，更難以實現高通量定量。 而 傳統精準鑒定依賴熒光標記或分子 Mar ker的 檢測，不僅耗時昂貴，也限制了動態監測和大規模篩選。

近日，湖南大學王立明教授 團隊 聯合 中南大學許浩東教授 團隊在Journal of Molecular Biology發表了一項實用型研究成果，推出了名為Deeptosis的深度AI學習平臺。該平臺解決實驗研究中的真實痛點：不依賴熒光標記、不增加染色步驟，僅利用常規明場圖像，即可一鍵式自動識別細胞是凋亡、焦亡還是其他死亡狀態。

從技術上看， Deeptosis 構建了端到端分析流程：先用 Cellpose 對明場圖像中的細胞進行自動分割，提取單細胞區域；再將這些單細胞圖像送入 Vision Transformer （ ViT ）分類器，輸出預測結果及置信度。平臺還提供帶顏色標注的可視化圖像和 單 細胞 CSV 文件（含坐標、標簽、置信度），方便后續分析。

在性能上，研究團隊基于 26,565 張人工標注的單細胞明場圖像進行訓練與評估。五折交叉驗證的平均 AUROC 達到 0.999 ；獨立測試集上，凋亡、焦亡和其他類別的 AUROC 分別為 0.990 、 0.982 和 0.983 。尤為關鍵的是，作者額外采集 第三方實驗 不同顯微鏡平臺下的獨立數據集進行驗證，模型依然保持高魯棒性（凋亡 AUROC 0.977 ，焦亡 0.946 ）；即使改用人工手動分割的單細胞圖像，模型同樣表現穩健，證明 Deeptosis 所學并非分割算法的“表面捷徑”，而是真正的形態學特征。

除了算法本身， Deeptosis 的另一 突出 亮點是實用化部署。作者開發了開源的網頁服務（ 網站鏈接： http://modinfor.com/Deeptosis ），用戶無需編程即可上傳明場圖像，系統自動完成分割、分類、可視化與結果匯總。

總體而言， Deeptosis 將 Cellpose 、 Vision Transformer 和 網站 服務有機結合，為生命科學和醫學研究者提供了一種無標記、低成本、可及性高的細胞死亡分析新工具 ，為研究學者快速 區分凋亡和焦亡， 進行高通量篩選，提供了 明場下的AI鑒定師。

湖南大學生命醫學交叉研究院碩士研究生王海吉和福建醫科大學助理研究員林少峰博士 為本文 共同 第一作者，湖南大學王立明教授 和中南大學 許浩東 教授 為本文共同通訊作者。

原文鏈接：https://www.sciencedirect.com/science/article/pii/S0022283626001889

王立明團隊 長期聚焦線粒體自噬與線粒體穩態的分子機制、信號轉導與病理生理功能，系統開展相關生物靶點發現與藥物研究。 本研究是團隊在無標記細胞死亡表型識別方向上的最新進展 。現由于課題需要招聘博士后1-2名，實驗室常年招收碩士和博士研究生，請有意者投遞簡歷。歡迎訪問實驗室網址了解詳細信息 ( https://www.x-mol.com/groups/liming_wang111 )

制版人：十一

BioArt

Med

Plants

人才招聘

學術合作組織

（*排名不分先后）

轉載須知

【非原創文章】本文著作權歸文章作者所有，歡迎個人轉發分享，未經作者的允許禁止轉載，作者擁有所有法定權利，違者必究。