iScience：显微镜深度学习预测病毒感染

当病毒感染细胞时，细胞核发生变化，通过荧光显微镜可以观察到。苏黎世大学的研究人员利用活细胞的荧光图像训练了一个人工神经网络，以可靠地识别被腺病毒或疱疹病毒感染的细胞。该程序还能在早期识别严重的急性感染。

　　

 

   

图像:深度学习检测病毒感染细胞并预测急性、严重感染。

资料来源:苏黎世大学

在人类中，腺病毒可以感染呼吸道细胞，而疱疹病毒可以感染皮肤细胞和神经系统。在大多数情况下，这不会导致新的病毒颗粒的产生，因为病毒被免疫系统抑制。然而，腺病毒和疱疹病毒可以导致持续感染，免疫系统无法完全抑制，并产生病毒颗粒数年。这些病毒也会引起突然的、剧烈的感染，受感染的细胞会释放大量的病毒，从而使感染迅速传播。这可能导致严重的急性肺病或神经系统疾病。

自动检测受病毒感染的细胞 

研究小组现在已经首次表明,机器学习算法可以识别细胞感染疱疹病毒或腺病毒完全基于荧光细胞的细胞核。格雷伯说:“我们的方法不仅可靠地识别病毒感染的细胞，而且还能提前准确地检测到毒性感染。”该研究的作者相信，他们的发展有许多应用——包括预测人类细胞对其他病毒或微生物的反应。Greber补充说:“该方法为更好地理解感染和发现新的活性制剂(如病毒或细菌)开辟了新途径。”

该分析方法是将活细胞的荧光显微镜与深度学习过程相结合。在受感染细胞内形成的疱疹病毒和腺病毒改变了细胞核的组织，这些变化可以在显微镜下观察到。该小组开发了一种深度学习算法——一种人工神经网络——来自动检测这些变化。该网络使用大量显微镜图像进行训练，通过这些图像，它可以识别出受感染或未受感染细胞的特征模式。格雷伯解释说:“在训练和验证完成后，神经网络会自动检测受病毒感染的细胞。”

可靠地预测严重急性感染 

该研究团队还证明，该算法能够识别急性和严重的感染，准确率高达95%，可提前24小时识别。溶解性感染活细胞的图像(病毒颗粒迅速繁殖，细胞溶解)和持续感染的图像(病毒持续产生，但数量很少)作为训练材料。尽管该方法具有很高的精度，但目前尚不清楚人工神经网络能够识别出感染细胞核的哪些特征来区分感染的两个阶段。然而，即使没有这些知识，研究人员现在能够更详细地研究受感染细胞的生物学。

该小组已经发现了一些不同之处:在恶性感染期间，细胞核的内部压力比持续感染期间更大。此外，在溶菌感染的细胞中，病毒蛋白在细胞核中积累得更快。“我们怀疑，不同的细胞过程决定了一个细胞在感染后是否会解体。我们现在可以研究这些和其他问题，”Greber说。

＃＃＃