深度学习助力疟原虫感染红细胞动态单细胞成像研究：探索疟疾致病机制的新视角

《Communications Biology》：Deep learning image analysis for continuous single-cell imaging of dynamic processes in Plasmodium falciparum-infected erythrocytes

疟疾由疟原虫（Plasmodium falciparum）引起，严重威胁全球健康。为深入研究宿主 - 寄生虫相互作用，研究人员开展基于深度学习的疟原虫感染红细胞动态单细胞成像研究。结果实现 48 小时生命周期内的连续监测，揭示 KAHRP 蛋白动态，为疟疾研究提供新方法。

　　疟疾，这个古老又致命的疾病，至今仍在全球肆虐，严重威胁着人类的健康。疟原虫（Plasmodium falciparum）作为疟疾的病原体，其在红细胞内的发育过程复杂且神秘。以往对疟原虫的研究，常依赖静态快照，无法捕捉其动态变化过程，就像只能看到电影中的单帧画面，难以知晓整个故事的发展。而且，疟原虫体积小、对光敏感，宿主红细胞的各向异性和高折射率也增加了研究难度，传统成像技术在这些难题面前显得力不从心。为了打破这些困境，深入了解疟原虫的致病机制，来自海德堡大学等机构的研究人员开展了一项极具意义的研究。

该研究成果发表在《Communications Biology》上，研究人员通过建立一套全新的工作流程，成功实现了对疟原虫感染红细胞在 48 小时内整个无性红细胞内生命周期的连续单细胞监测，且具备高空间和时间分辨率。这一成果为疟疾研究领域带来了新的曙光，有助于更深入地探索疟原虫的动态细胞过程，为开发更有效的干预策略提供了有力支持。

在研究方法上，研究人员主要运用了以下关键技术：一是利用 Airyscan 显微镜进行无标记三维微分干涉对比（DIC）和荧光成像，获取高质量的单细胞图像；二是借助预训练的深度学习算法，基于 Cellpose 进行自动细胞分割，有效识别红细胞和疟原虫的不同阶段；三是通过三维渲染实现图像可视化和时间分辨分析 。

下面来看具体的研究结果：

• 神经网络用于疟原虫感染红细胞的分割：研究人员创建了包含未感染和感染红细胞的训练数据集，对 Cellpose 进行重新训练，得到了针对不同阶段的模型。经过 10 折交叉验证评估，发现联合寄生虫模型在预测环状阶段寄生虫时平均精度（AP）较低，而晚期阶段模型在预测晚期寄生虫时表现更优，最终决定使用联合模型预测环状阶段，晚期阶段模型预测晚期阶段寄生虫123。
• 分割策略的概念验证：为研究 KAHRP 蛋白的动力学，研究人员构建了表达 KAHRP 与 mEOS3.2 融合蛋白的突变寄生虫株 B4。实验表明，B4 形成的旋钮虽形态和密度改变，但功能正常。在对其进行单细胞成像分析时，虽遇到细胞碎片、大血晶等干扰，但经过调整后处理流程，成功检测到大部分时间点的寄生虫片段456。
• KAHRP 蛋白输出的动力学：研究发现，寄生虫发育速率存在差异，成像条件下红细胞内周期延长。通过归一化处理，发现 KAHRP 荧光在入侵后约 8±3 小时出现，之后呈 S 型增长，在红细胞膜和胞质中的积累模式与以往报道不同，且在红细胞膜上形成的簇数量和平均荧光强度随时间增加，表明寄生虫持续形成新的 KAHRP 簇并不断生长789。

在研究结论与讨论部分，该研究的工作流程为疟原虫动态细胞过程的研究提供了新途径。虽然存在一些局限性，如 Cellpose 对早期环状阶段寄生虫预测准确性较低、成像条件影响寄生虫生命周期等，但这一研究依然意义重大。它不仅揭示了 KAHRP 蛋白的动态变化，还为深入理解疟疾致病机制提供了关键信息，让我们离攻克疟疾这一全球性难题又近了一步 。