WormYOLO 模型：精准剖析线虫复杂姿态与寿命关联的新利器

研究人员设计 WormYOLO 模型用于线虫姿态分割和深度表型分析，评估与寿命相关性，为衰老研究提供新工具111。

　　

从线虫研究困境到突破：WormYOLO 模型的诞生

在生命科学的微观世界里，秀丽隐杆线虫（Caenorhabditis elegans）作为重要的模式生物，一直是科学家们探索基因奥秘的得力助手。它生命周期短、易于培养和繁殖，身体透明且细胞数量少，使得研究人员能够清晰地观察到其内部的生理过程，成为研究基因对生物体发育、生理和行为影响的理想对象。通过分析线虫的运动行为，还能筛选和评估抗 - 衰老药物，探索化学物质的毒性和作用机制。

然而，线虫研究并非一帆风顺。在群体行为研究中，线虫身体姿态的重叠就像一团乱麻，让研究人员难以准确区分和分析每个个体的行为特征。不同品系线虫的运动模式又极为相似，如同戴着相似面具的舞者，进一步增加了准确分析的难度。现有的线虫分割和弯曲计数方法也存在诸多缺陷，有的算法仅适用于单条线虫且易受环境影响，有的在处理重叠姿态或小目标时表现不佳，还有的需要大量硬件资源和长时间训练。这些问题就像一道道屏障，阻碍着线虫研究的深入发展。

为了突破这些困境，曲阜师范大学的研究人员踏上了探索之旅，开展了关于线虫复杂姿态分割和深度表型分析的研究。他们希望通过创新的方法，更精准地解析线虫的行为特征，挖掘其与寿命之间的潜在联系，为生命科学研究开辟新的道路。最终，他们成功设计出 WormYOLO 模型，并提出了新的弯曲计数算法，相关研究成果发表在《Scientific Reports》上。

研究的关键技术方法

研究人员在此次研究中运用了多种关键技术。首先是基于深度学习构建了 WormYOLO 模型，该模型以 YOLO 架构为基础，通过整合 RepLKNet 的大内核卷积，扩大了感受野，更好地捕捉线虫的整体形态；利用 Attentional Scale Sequence DySample Fusion（ASDF）模块和 Depthwise Convolution-based Semantics and Detail Infusion（DSDI）模块，提升了小物体和拥挤物体的分割精度21314。

在训练模型时，使用合成数据集进行预训练，之后在多个不同的数据集上进行训练和测试，包括 CSB-1 数据集、Mating 数据集等。此外，还运用了 BoT-SORT 跟踪算法进行线虫的跟踪，分为单目标和多目标跟踪。为了准确提取线虫的特征点，改进了特征点提取算法，通过计算轮廓点间的角度和距离来确定线虫的头、尾、咽等关键部位的坐标15。最后，基于 WormBook 标准设计了新的弯曲计数算法，用于量化线虫的运动行为特征。

研究结果

1. WormYOLO 模型性能卓越：研究人员在三个独立数据集上对主流线虫检测和分割模型进行评估，结果显示 WormYOLO 在检测和分割任务中表现出色。在包含大量重叠线虫的 Mating 数据集中，其目标检测性能相比 Deep-worm-tracker 提升了 24.1%（mAP0.5:0.95?），分割性能相比 WormSwin 提升了 9.3%（mAP0.5:0.95?）。此外，WormYOLO 在硬件需求和推理时间上也具有明显优势，训练所需的硬件资源更少，推理速度更快34。
2. 特征点提取算法适应性强：改进后的特征点提取算法表现出良好的适应性和性能。通过添加对头部和尾部摆动频率的比较，增强了对不同场景下（单条线虫场景和密集场景）线虫的识别能力。在实验中，该算法对来自不同实验室、包含不同大小和姿态线虫的图像进行特征点提取，骨骼点检测率达到 99.30%，准确率达到 98.10%。尽管自我遮挡会使特征点的检测率和准确率略有下降，但检测率受影响不显著56。
3. 计数算法准确可靠：新的计数算法严格遵循 WormBook 标准，通过手动计数验证了其稳健性。与其他方法相比，该算法在计数线虫身体弯曲、头部和尾部弯曲时更为准确。例如，与 Tierpsy Tracker 和 Zhang 等人的方法相比，新算法的误差更小，能够更精准地反映线虫的实际运动情况。此外，通过对不同品系线虫运动差异的分析，发现该算法可以有效捕捉不同品系线虫之间的运动差异78。
4. 模型可反映线虫运动模式差异：研究人员选取了多个品系的线虫进行实验，发现 WormYOLO 模型能够有效捕捉不同品系线虫的运动差异。如 unc-4 和 dpy-20 品系的线虫运动曲线波动稀疏，弯曲频率低；而 LSJ1 品系的线虫运动曲线波动剧烈，速度较高。这一结果与文献报道相符，证明了模型的有效性9。
5. 多维表型与寿命相关：研究人员通过对 10 个品系线虫的自由运动视频数据进行分析，记录了线虫的体长、头部弯曲速度、身体弯曲速度、尾部弯曲速度、Omega 持续时间和最大弯曲速度等运动特征。通过生成表型指纹图和计算 Spearman 相关系数，发现除 Omega 持续时间外，其他运动特征与寿命高度相关。并且，头部弯曲速度和最大弯曲速度的加权组合能更好地预测线虫的寿命1012。

研究结论与意义

此次研究成功开发出高精度、高效率的线虫分割模型 WormYOLO，并提出了新的弯曲计数算法。这一成果为研究人员提供了强大的工具，能够更准确地分析线虫的运动行为，为深入研究线虫的行为学、遗传学以及衰老机制等方面提供了有力支持。

通过分析不同品系线虫的运动差异，有助于加速基因功能的识别，理解基因与运动行为之间的关系。同时，研究多维表型与寿命的相关性，为研究人类衰老延迟以及衰老相关疾病的预防和治疗提供了干预靶点和新策略，因为线虫衰老相关基因与人类衰老调控基因存在一定的相似性。

然而，该研究也存在一定的局限性，如 WormYOLO 在高度重叠场景下的跟踪准确性有待提高，自我遮挡时特征提取算法可能出现问题。但这也为后续研究指明了方向，未来可以通过应用姿态估计和身份重新识别技术来解决这些问题。总体而言，这项研究在生命科学领域具有重要的理论和实践意义，为线虫研究乃至衰老相关疾病的研究开辟了新的方向。