SarcNet: A Novel AI-based Framework to Automatically Analyze and Score Sarcomere Organizations in Fluorescently Tagged hiPSC-CMs

本研究旨在量化人工诱导多能干细胞分化心肌细胞（hiPSC-CMs）中肌节结构组织，以便更好地理解心脏疾病病理学、改进药物筛选和推进再生医学。传统方法如手动注释和傅里叶变换分析工作量大、容易出错且缺乏高通量能力。本研究提出了一种基于深度学习的新型框架，利用细胞图像并整合细胞特征，自动评估从分化开始的hiPSC-CMs的肌节结构。该框架通过自动化、高通量分析克服了传统方法的限制，提供了一致、可靠的结果，同时准确地检测不同样本中复杂的肌节模式。所提出的框架包含SarcNet，即添加了线性层的ResNet-18模块，输出一个从1到5的连续得分，捕捉肌节结构组织的水平。它在由Allen细胞科学研究所（AICS）开发的内源性GFP标记的α-肌动蛋白-2结构的hiPSC-CMs图像开源数据集上进行训练和验证。SarcNet与专家评估的Spearman相关系数为0.831，表现优异，并比当前最先进的线性回归方法提高了0.075。我们的结果还显示，从分化的第18天到第32天，组织结构不断增加，与专家评估相一致。通过将直接从图像中计算的定量特征与深度学习模型中学习的视觉特征整合，我们的框架提供了更全面、更准确的评估，从而增强了hiPSC-CMs在医学研究和治疗开发中的进一步应用。

本论文旨在解决人工诱导多能干细胞分化出心肌细胞后，如何自动化评估其肌节结构组织的问题。传统方法耗时且容易出错，缺乏高通量能力。

该论文提出了一种基于深度学习的框架，通过细胞图像和细胞特征来自动评估hiPSC-CMs的肌节结构。该框架通过自动化、高通量分析克服了传统方法的局限性，提供了一致、可靠的结果，同时准确检测不同样本中复杂的肌节模式。

该框架包含SarcNet，一个线性层添加的ResNet-18模块，以输出一个从1到5的连续分数，捕捉肌节结构组织水平。该模型在AICS开发的内源性GFP标记的α-actinin-2结构的hiPSC-CMs图像的开源数据集上进行训练和验证。结果表明，SarcNet与专家评估的Spearman相关系数为0.831，表现优异，比当前最先进的线性回归方法提高了0.075。该框架通过将直接从图像中计算的定量特征与深度学习模型学习的视觉特征相结合，提供了更全面、准确的评估，从而增强了hiPSC-CMs在医学研究和治疗开发中的进一步实用性。

最近的相关研究包括使用传统方法手动注释和傅里叶变换分析肌节结构，以及使用深度学习方法进行图像分割和分类。其中，一些相关的论文包括：“Quantitative analysis of sarcomere assembly and contraction in engineered heart tissues”和“Deep learning-based classification of sarcomere patterns in patient-specific hiPSC-cardiomyocytes predicts genetically determined hypertrophic cardiomyopathy”。