Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

基于ML的运动跟踪:揭示了致病细菌在组织细胞中运动的关系

编辑 | 萝卜皮

细菌运动性通常是致病菌的关键毒力因素。研究细菌运动性的常用方法是荧光标记,它可以检测群体或宿主组织中的单个细菌细胞。然而,荧光标记的使用可能会受到蛋白质表达稳定性和/或细菌生理学干扰的阻碍。

日本东北大学(Tohoku University)的研究人员将机器学习应用于显微图像分析,以对培养的动物细胞上的人畜共患细菌问号钩端螺旋体进行无标记运动跟踪。该团队使用从人类患者或动物身上分离出的各种钩端螺旋体菌株,以及突变菌株。

与严重疾病相关的菌株和缺乏外膜蛋白(OMP)的突变菌株往往表现出快速的移动性和对培养肾细胞的粘附性降低。该方法不需要荧光标记或基因操作,因此可以应用于研究许多其他细菌物种的运动性。

该研究以「Machine learning-based motion tracking reveals an inverse correlation between adhesivity and surface motility of the leptospirosis spirochete」为题,于 2023 年 12 月 5 日发布在《Nature Communications》。


细菌的运动能力使它们能够积极探索有利于其生长的环境,促进其增殖。尽管已知细菌运动的形式多种多样,但鞭毛是主要的机制。例如,大肠杆菌、肠沙门氏菌和霍乱弧菌所具有的细胞外鞭毛的旋转通过与液体的相互作用来推动细菌。

一些物种利用细胞外鞭毛在覆盖有粘性物质的表面上聚集。当物种是疾病的病原体时,运动通常涉及宿主内的入侵、迁移和疾病的发展。因此,了解运动作为毒力因子的作用将有助于药物的开发和预防感染的新策略的提出。

钩端螺旋体病是一种在全球蔓延的新兴人畜共患病。就对人类健康的威胁而言,钩端螺旋体病的螺旋体病原体钩端螺旋体属(Leptospira spp.)每年已造成约100万例重症病例和约6万人死亡。致病性钩端螺旋体属已被分为 250 多个血清型,受感染动物的临床症状因宿主物种和钩端螺旋体血清型的组合而异。


图:观察细菌在培养细胞上的运动。(来源:论文)

在各种条件下(例如溶液、组织和人造微结构)直接观察细菌已成为研究病原体动力学和运动机制方面疾病机制的传统方法。这些实验通常追踪人群中的代表性细菌或检测活细胞中的细菌,这需要用荧光蛋白或染料标记物体。然而,并非所有细菌菌株都能承受基因工程并表达荧光蛋白。标记可能会影响细菌的生理学和动力学。

在最新的研究中,日本东北大学的研究人员开发了一种无标记运动跟踪方法,用于阐明钩端螺旋体在宿主细胞上移动的机制。该无标签细菌追踪方法使用基于机器学习图像处理,通过从原始图像中减去背景来突出显示移动物体。经过处理的图像可以对培养的动物细胞上的细菌运动进行无标记分析,从而深入了解宿主细胞上钩端螺旋体运动的机制以及运动作为毒力因子的重要性。


图:使用机器学习对培养细胞进行无标记细菌追踪。(来源:论文)

粘附对于细菌感染和致病性以及随后的入侵或毒素注射至关重要。对于一些能运动的细菌,外部鞭毛可能具有粘附素的作用,例如肠致病性大肠杆菌(EPEC)的 H2 和 H6 以及肠出血性大肠杆菌(EHEC)的 H7。沙门氏菌属鞭毛介导的粘附是血清型依赖性的,这对于肠炎血清型和都柏林血清型是必需的,但对于鼠伤寒血清型则不是必需的。

研究人员发现钩端螺旋体细菌的鞭毛独立粘附使其能够在肾细胞上移动。研究人员使用临床分离株和 OMP 缺陷突变体进行的实验表明,细菌粘附和爬行之间呈负相关。


图:爬行和细胞旋转与粘附的关联。(来源:论文)

通过绘制无症状和严重症状对数据的依从性和爬行性之间的负相关性,重申了运动性对毒力的作用。此外,简单的数值分析表明细菌粘附对于细菌-宿主界面中的迁移性具有重要意义。致病性钩端螺旋体与宿主物种之间存在着巨大的结合,这表明其致病机制包括细菌与宿主之间复杂的战斗,其中涉及免疫反应和基因调控。

致病性钩端螺旋体外膜中的大量蛋白质对宿主细胞成分具有不同的粘附亲和力,其中一些蛋白质(例如 LigA)显示出宿主特异性特性。


图:L. interrogans serovar Manilae 野生型和突变株在 MDCK 上的粘附和爬行能力。(来源:论文)

此外,尽管该研究重点关注到达器官后几个小时发生的现象,但需要更长时间的监测才能具体讨论特定组织的发病机制和持续感染。宿主细胞上参与钩端螺旋体粘附和爬行的受体的鉴定。它们与发病机制的实际相关性是未来的主题。

如果不使用机器学习进行运动分析,该无标签实验就不会成功。背景扣除已成为监控系统场景分析中检测侵入物体的常用过程。该团队成功地将计算机视觉技术引入体外细菌感染测定中,可适用于探针标记或基因操作困难的多种活细胞。此外,该方法可用于单分子跟踪以研究膜蛋白扩散或周转,即使目标分子被荧光标记,由于信号强度低,通常很难检测到。还开发了其他方法来消除视频数据中的背景噪声。

关于它们在传染病研究中的应用,研究人员开发了一种方法,通过减去时间轴上的最小亮度、所有帧的中值亮度和局部空间背景,从患者活检中细菌衍生散射的视频数据中去除背景。该方法不需要繁琐的样品预处理,但可以在广泛的细菌浓度范围内进行快速诊断和抗生素敏感性测试。因此,背景扣除方法有望有助于旨在阐明生命系统的各种研究。

论文链接:https://www.nature.com/articles/s41467-023-43366-0

理论机器学习
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

图像处理技术

图像处理是指对图像进行分析、加工和处理,使其满足视觉、心理或其他要求的技术。 图像处理是信号处理在图像领域上的一个应用。 目前大多数的图像均是以数字形式存储,因而图像处理很多情况下指数字图像处理。

推荐文章
暂无评论
暂无评论~