胡宏亮劉清謝雅芳楊大洲劉軼王可楊紫君王文進(jìn)文于華

基于三維形態(tài)參數(shù)的凋亡乳腺癌細(xì)胞機(jī)器學(xué)習(xí)識(shí)別研究＊

胡宏亮1，劉清1，謝雅芳1，楊大洲1，劉軼1，王可1，楊紫君1，王文進(jìn)1，2，文于華1，2

（1.湖南理工學(xué)院物理與電子科學(xué)學(xué)院，湖南 岳陽(yáng) 414006；2.湖南理工學(xué)院先進(jìn)光學(xué)研究所，湖南 岳陽(yáng) 414006）

通過(guò)對(duì)誘導(dǎo)凋亡乳腺癌細(xì)胞的激光共聚焦顯微圖像進(jìn)行三維重建，獲得細(xì)胞核、線(xiàn)粒體和整個(gè)細(xì)胞的平均體積、比表面積、等體積球半徑和體積百分?jǐn)?shù)。再利用獲得的上述三維形態(tài)參數(shù)，分別采用層次聚類(lèi)方法和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)細(xì)胞進(jìn)行分類(lèi)，發(fā)現(xiàn)在區(qū)分正常細(xì)胞和凋亡細(xì)胞兩大類(lèi)時(shí)分別可實(shí)現(xiàn)65%和83.3%的準(zhǔn)確率，并且兩者對(duì)正常細(xì)胞的區(qū)分度較高。

機(jī)器學(xué)習(xí)；細(xì)胞凋亡；BP神經(jīng)網(wǎng)絡(luò)模型；高斯混合模型

1 引言

凋亡是細(xì)胞程序性死亡的過(guò)程，相關(guān)機(jī)制對(duì)人類(lèi)多種疾病，包括癌癥、自身免疫和退行性疾病等有重要影響，其研究對(duì)生命科學(xué)和臨床應(yīng)用具有廣泛的意義[1-2]。在癌癥治療的情況下，由于腫瘤細(xì)胞對(duì)治療方案的敏感性和微環(huán)境之間的密切關(guān)系，細(xì)胞凋亡深刻地影響患者對(duì)治療和復(fù)發(fā)風(fēng)險(xiǎn)的反應(yīng)。因此，對(duì)癌細(xì)胞凋亡過(guò)程的評(píng)估對(duì)于患者個(gè)體化治療變得越來(lái)越重要。癌細(xì)胞凋亡過(guò)程中的形態(tài)變化，為表征凋亡提供了外型特征標(biāo)記。通過(guò)激光共聚焦顯微技術(shù)，可以獲得高分辨率的細(xì)胞結(jié)構(gòu)層切圖像。對(duì)其三維重建后，可計(jì)算獲得細(xì)胞的三維形態(tài)學(xué)參數(shù)，并統(tǒng)計(jì)分析得出凋亡細(xì)胞和正常細(xì)胞之間的差異[3]。

機(jī)器學(xué)習(xí)是一門(mén)人工智能的科學(xué)，研究人工智能如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的性能。無(wú)監(jiān)督機(jī)器方法層次聚類(lèi)[4]和監(jiān)督機(jī)器學(xué)習(xí)方法BP（back propagation）神經(jīng)網(wǎng)絡(luò)模型[5]，被廣泛用于各種分類(lèi)識(shí)別研究中。

本文以誘導(dǎo)凋亡過(guò)程中的人體乳腺癌細(xì)胞MCF-7為研究對(duì)象，通過(guò)激光共聚焦顯微圖像三維重建技術(shù)獲取細(xì)胞三維形態(tài)學(xué)參數(shù)，然后進(jìn)行上述兩種機(jī)器學(xué)習(xí)分類(lèi)研究，以期對(duì)正常細(xì)胞和凋亡細(xì)胞進(jìn)行準(zhǔn)確區(qū)分。

2 研究方案

研究流程如圖1所示，研究中首先進(jìn)行細(xì)胞的培養(yǎng)與誘導(dǎo)凋亡實(shí)驗(yàn)。MCF-7細(xì)胞保存在37 ℃濃度為5%的CO2加濕培養(yǎng)箱中，采用含質(zhì)量分?jǐn)?shù)為10%胎牛血清（FBS）的DMEM培養(yǎng)基進(jìn)行培養(yǎng)，并用14-羥基柔紅霉素（Doxorubicin）誘導(dǎo)凋亡。然后，分別用Syto-61、M-7510和Annexin V三種熒光染料對(duì)MCF-7細(xì)胞進(jìn)行染色，在激光共聚焦顯微鏡實(shí)驗(yàn)中分別標(biāo)定細(xì)胞核、線(xiàn)粒體和凋亡特征，對(duì)應(yīng)的共聚焦顯微鏡切片圖像分別呈現(xiàn)紅、綠和藍(lán)三種顏色，根據(jù)藍(lán)通道的熒光強(qiáng)度，區(qū)分正常細(xì)胞和處于凋亡狀態(tài)的細(xì)胞。在此基礎(chǔ)上，對(duì)獲取的切片圖像進(jìn)行三維重建，獲取細(xì)胞核、線(xiàn)粒體和細(xì)胞膜三維結(jié)構(gòu)，并計(jì)算整個(gè)細(xì)胞的體積（）、比表面積（）和等體積球半徑（），線(xiàn)粒體的體積（）、比表面積（）、等體積球半徑（）和體積百分?jǐn)?shù)（），細(xì)胞核的體積（）、比表面積（）、等體積球半徑（）和體積百分?jǐn)?shù)（）共11個(gè)三維形態(tài)參數(shù)。最后，分別采用層次聚類(lèi)和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)上述參數(shù)進(jìn)行機(jī)器學(xué)習(xí)分類(lèi)研究，獲取不同模型下正常細(xì)胞和凋亡細(xì)胞識(shí)別準(zhǔn)確的數(shù)目，并計(jì)算準(zhǔn)確率。

圖1 研究流程圖

在機(jī)器學(xué)習(xí)研究中，分別選取60個(gè)正常細(xì)胞和60個(gè)凋亡細(xì)胞，隨機(jī)分成2組，每組含有30個(gè)正常細(xì)胞和30個(gè)凋亡細(xì)胞。將其中一組作為BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本，另一組作為測(cè)試樣本。同時(shí)，測(cè)試樣本組用于層次聚類(lèi)，方便與BP神經(jīng)網(wǎng)絡(luò)模型分類(lèi)的結(jié)果對(duì)比。

在進(jìn)行機(jī)器學(xué)習(xí)研究前，對(duì)兩組數(shù)據(jù)每個(gè)參數(shù)分別進(jìn)行了歸一化處理。進(jìn)行層次聚類(lèi)和BP神經(jīng)網(wǎng)絡(luò)模型研究時(shí)，分別調(diào)用MATLAB軟件中的clusterdata函數(shù)與newff函數(shù)將測(cè)試樣本數(shù)據(jù)分2類(lèi)時(shí)。其中，調(diào)用clusterdata函數(shù)時(shí)，linkage參數(shù)選用ward，其他為默認(rèn)設(shè)置。調(diào)用newff函數(shù)時(shí)，輸入層和輸出層分別含有11和2個(gè)神經(jīng)元，中間包含4個(gè)隱層，分別含有20、8、8、8個(gè)神經(jīng)元，4個(gè)隱層和輸出層的激活函數(shù)分別為tansig、logsig、logsig、tansig和tansig，多次進(jìn)行訓(xùn)練，并輸出測(cè)試樣本的分類(lèi)結(jié)果。

3 結(jié)果與討論

實(shí)驗(yàn)得到的60個(gè)正常細(xì)胞和60個(gè)凋亡細(xì)胞的三維形態(tài)學(xué)參數(shù)，計(jì)算結(jié)果如表1所示。通過(guò)對(duì)比發(fā)現(xiàn)，正常細(xì)胞和凋亡細(xì)胞的部分三維形態(tài)學(xué)參數(shù)有明顯差異。通過(guò)機(jī)器學(xué)習(xí)方法，去對(duì)比每個(gè)細(xì)胞的上述11個(gè)參數(shù)，可能將正常細(xì)胞和凋亡細(xì)胞進(jìn)行準(zhǔn)確區(qū)分。MCF-7細(xì)胞機(jī)器學(xué)習(xí)分類(lèi)結(jié)果如圖2所示。

進(jìn)行層次聚類(lèi)分析時(shí)，正常細(xì)胞和凋亡細(xì)胞組識(shí)別正確的數(shù)目分別為26和13個(gè)，準(zhǔn)確率為65%。通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型多次訓(xùn)練，正常細(xì)胞和凋亡細(xì)胞組識(shí)別正確的數(shù)目分別為29和21個(gè)，準(zhǔn)確率為83.3%。可以發(fā)現(xiàn)，正常細(xì)胞組的區(qū)分度較高，其細(xì)胞三維形態(tài)特征穩(wěn)定。而凋亡細(xì)胞組，可能存在早期凋亡與晚期凋亡的差異，前者更接近與正常細(xì)胞的三維形態(tài)結(jié)構(gòu)，因此識(shí)別的準(zhǔn)確率低一些。

4 結(jié)論

本文通過(guò)機(jī)器學(xué)習(xí)方法研究了誘導(dǎo)凋亡過(guò)程中的人體乳腺癌細(xì)胞基于三維形態(tài)參數(shù)的分類(lèi)識(shí)別，分別采用層次聚類(lèi)方法和BP神經(jīng)網(wǎng)絡(luò)模型。發(fā)現(xiàn)兩者的準(zhǔn)確率分別為65%和83.3%，且對(duì)正常細(xì)胞組的識(shí)別率較高。采用BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，可能獲得更高的識(shí)別準(zhǔn)確率。

表1 MCF-7細(xì)胞三維形態(tài)參數(shù)計(jì)算結(jié)果

參數(shù)名稱(chēng)符號(hào)單位均值 ± 標(biāo)準(zhǔn)偏差 正常細(xì)胞凋亡細(xì)胞 細(xì)胞體積c_volμm33 955±1 6983 249±1 279 細(xì)胞比表面積SVR_cμm-10.461±0.0620.532±0.130 細(xì)胞等體積球半徑Er_cμm9.640±1.2719.014±1.282 細(xì)胞核體積n_volμm31 249±5661 172±800 細(xì)胞核比表面積SVR_nμm-10.702±0.0870.781±0.166 細(xì)胞核等體積球半徑rt_nμm6.550±0.9226.333±1.123 細(xì)胞核體積百分?jǐn)?shù)Er_n-0.318±0.0600.364±0.133 線(xiàn)粒體體積m_volμm3310±209143±107 線(xiàn)粒體比表面積SVR_mμm-13.206±0.5994.341±1.470 線(xiàn)粒體等體積球半徑Er_mμm0.973±0.2070.750±0.198 線(xiàn)粒體體積百分?jǐn)?shù)rt_m-0.079±0.0360.044±0.030

圖2 MCF-7細(xì)胞機(jī)器學(xué)習(xí)分類(lèi)結(jié)果

［1］BROWN J M，ATTARDI L D.The role of apoptosis in cancer development and treatment response［J］. Nat.Rev.Cancer，2005，5（3）：231-237.

［2］KERR J F， WYLLIE A H，CURRIE A R. Apoptosis: a basic biological phenomenon with wide-ranging implications in tissue kinetics［J］.Br.J.Cancer，1972，26（4）：239-257.

［3］WEN Y H，CHEN Z，LU J F，et al.Quantitative analysis and comparison of 3D morphology between viable and apoptotic MCF-7 breast cancer cells and characterization of nuclear fragmentation ［J］.PLoS ONE，2017，12（9）：e0184726.

［4］YING Z，KARYPIS G，F(xiàn)AYYAD U.Hierarchical clustering algorithms for document datasets［J］. Data Mining & Knowledge Discovery，2005，10（2）：141-168.

［5］HECHT-NIELSEN R.Theory of the backpropagation neural network［C］// Neural Networks，IJCNN. International Joint Conference on，1989.

2095－6835（2020）20－0117－02

TP181

A

10.15913/j.cnki.kjycx.2020.20.049

胡宏亮（2000—），男，微電子科學(xué)與工程專(zhuān)業(yè)，本科在讀。

文于華（1981—），男，博士，講師，研究方向?yàn)榧?xì)胞光學(xué)與人工智能。

2019年湖南省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目（編號(hào)：S201910543028）資助；湖南省教育廳優(yōu)秀青年項(xiàng)目（編號(hào)：18B348）資助

〔編輯：嚴(yán)麗琴〕