Un enfoque de clasificación de segmentación en tándem para la localización de predictores morfológicos de la vida útil y la motilidad de C. Elegans

Por favor contactaroscar.xiao@wecistanche.compara más información

Resumen

C. elegans es un organismo modelo establecido para estudiar los efectos genéticos y farmacológicos sobre el envejecimiento, muchos de los cuales se conservan en los seres humanos. También es un modelo esencial para la investigación básica, y las patologías de C. elegans son un campo emergente. Aquí desarrollamos una plataforma basada en una red neuronal convolucional de prueba de principal para segmentar C. elegans y extraer características que podrían ser útiles para la predicción de la vida útil. Utilizamos un conjunto de datos de 734 gusanos rastreados a lo largo de su vida útil y clasificamos los gusanos en longevos y efímeros. Diseñamos WormNet, una red neuronal convolucional (CNN) para predecir la clase de vida útil del gusano en función de imágenes de adultos jóvenes (día 1-día 3 adultos mayores) y demostramos que WormNet, así como InceptionV3 CNN, puede clasificar con éxito la vida útil. Sobre la base de la arquitectura U-Net, desarrollamos CNN de HydraNet que permiten segmentar con precisión los gusanos en las partes anterior, media del cuerpo y posterior. Combinamos la segmentación de HydraNet, la predicción de WormNet y el enfoque del mapa de activación de clases para determinar los segmentos más importantes para la clasificación de la vida útil. Tal enfoque de segmentación y clasificación en tándem muestra que la parte posterior del gusano podría ser más importante para clasificar los gusanos de larga vida. Nuestro enfoque puede ser útil para acelerar el descubrimiento de fármacos antienvejecimiento y para estudiar patologías de C. elegans.

Por favor haga clic aquí para saber más

INTRODUCCIÓN

El nematodo Caenorhabditis elegans (C. elegans) es un modelo establecido para estudiar diversas intervenciones en el proceso de envejecimiento, lo que permitió encontrar numerosos genes y fármacos que interfieren con el envejecimiento. 5 de 7 medicamentos antienvejecimiento de nivel 1 y 4 de 6 de nivel 2 considerados para ensayos en humanos prolongan la vida útil en el modelo de C. elegans.cistanche แอ ม เว ย์Hay muchas vías de envejecimiento conservadas entre las especies y se espera que los gusanos se utilicen ampliamente no solo en la investigación de la longevidad sino también en la industria antienvejecimiento emergente [1]. Además, ahora se utilizan gusanos humanizados para establecer modelos prometedores para la neurodegeneración [2]. Sin embargo, a diferencia de la genética de la longevidad, los fenotipos de envejecimiento de C. elegans aún no están bien estudiados. En particular, sabemos poco sobre las patologías relacionadas con la edad y su desarrollo, así como qué patologías determinan la vida útil y cómo causan la muerte [3]. Recientemente se describieron varias patologías que incluyen atrofia intestinal, tumores uterinos e infección faríngea [4-6]. En este sentido, descubrir nuevas patologías de C. elegans, particularmente la determinación de la esperanza de vida, se está convirtiendo en un desafío importante. Estudiar patologías en C. elegans podría ayudar a comprender mejor el proceso de envejecimiento, así como los mecanismos y efectos de los fármacos antienvejecimiento.

cistanche puede anti-envejecimiento

Los avances recientes en el aprendizaje automático (ML) y el aprendizaje profundo (DL) [7] pueden ayudar a los estudios de envejecimiento que emplean C.elegans al descubrir y resumir patrones morfológicos y de comportamiento nunca antes vistos en grandes conjuntos de datos experimentales. Por ejemplo, en un trabajo reciente se midieron longitudinalmente varios parámetros fisiológicos y una aplicación de regresión de vector de soporte permitió explicar la diferente cantidad de variación en la vida útil de C. elegans por: movimiento (57 por ciento), corte transversalautofluorescencia (52 por ciento), tasa de puesta de ovocitos (28 por ciento) [8]. Curiosamente, se encontró que el tamaño de la cría se correlaciona con la esperanza de vida en los hermafroditas apareados (r=0.28)[9]. Además, estudios independientes confirman que la función muscular es probablemente la característica fisiológica que mejor predice: se encontró que el lapso de bombeo faríngeo rápido (r=0.49) y el lapso de bombeo faríngeo (r=0.83) eran altamente correlacionado con la duración de la vida [10]. Además, la velocidad máxima en el día 9[11] y la tasa de disminución de la velocidad (días 3-9)[12] predicen el 71 % y el 91 % de la variabilidad en la vida útil en consecuencia. También se descubrieron predictores celulares y moleculares de la duración de la vida de C. elegans. Se encontró que la expresión de hsp-16.2 inducida por choque térmico en adultos del día 1 estaba correlacionada con la esperanza de vida [13]. Sin los efectos de confusión de intervenciones como el choque térmico, la expresión basal de sod-3 en el día 9 también se correlacionó con la esperanza de vida (r=0.57), lo que probablemente refleja la respuesta a los alimentos patógenos [14]. La expresión de Mir-71 desde el día 4 en adelante puede ser altamente predictiva y explica el 47 por ciento de la variabilidad en la vida útil [15]. Sorprendentemente, una fuerte correlación inversa (r =-0.93) entre el tamaño nucleolar (medido el día 1) y la longevidad indica que la síntesis de proteínas desregulada es un componente importante del envejecimiento [16]. Cabe destacar que, al principio, también se aplicó un enfoque de visión artificial para clasificar los fenotipos de envejecimiento en C. elegans. En particular, se utilizó un clasificador discriminante lineal para segregar imágenes de faringe de diferentes edades para su posterior caracterización molecular [17].

Entre otros métodos, uno de los enfoques de aprendizaje automático más potentes, especialmente para el análisis de imágenes, es el uso de redes neuronales convolucionales (CNN)[18], que se inspiran en la organización de redes neuronales de la corteza visual. CNN permitió lograr resultados impresionantes en el reconocimiento de imágenes, con un rendimiento casi humano en el conjunto de datos MNIST y superó a los humanos en el reconocimiento de señales de tráfico por un factor de dos [19]. CNN mostró repetidamente el mejor rendimiento durante el "Desafío de reconocimiento visual a gran escala de ImageNet" en la clasificación de imágenes [20,21].cuanta cistanche tomarLa introducción de conexiones omitidas a CNN mejoró drásticamente su velocidad y precisión, y tales CNN residuales ahora son lo último en clasificación de imágenes [22, 23]. Las redes residuales de codificador-decodificador como U-Net [24], V-Net y Tiramisu también superan los métodos clásicos de extracción de límites, umbrales y basados ​​en regiones utilizados en el campo de la segmentación de imágenes médicas [25]. A pesar de los impresionantes resultados con los enfoques DL, uno de los principales inconvenientes es que las redes DL son cajas negras, por lo que es difícil obtener las características importantes para la toma de decisiones por parte de la red [26]. Para sortear esta deficiencia, se han propuesto varias técnicas de prominencia [27-29]. Una de estas técnicas es usar la capa de agrupación promedio global para producir el llamado mapa de activación de clase (CAM) y localizar regiones de imagen específicas de clase sin supervisión [30]. Las características profundas localizables genéricas producidas pueden ayudar a los investigadores a comprender la base de la discriminación utilizada por las CNN para sus tareas. Sin embargo, hasta el momento, no se han desarrollado enfoques para combinar la segmentación de imágenes biológicamente significativas y la prominencia de clasificación para facilitar el descubrimiento de fenotipos a través de la interpretación.

Sorprendentemente, CNN se utilizó recientemente para predecir la vida útil de los gusanos. En el primer artículo, se utilizó un conjunto de datos de 913 imágenes de C. elegans. Cada punto de tiempo (día) tiene al menos 30 gusanos, y todos ellos fueron anestesiados antes de la toma de imágenes. La arquitectura basada en InceptionResNetV2- logró un error absoluto medio (MAE) de 0,96 días en el modo de regresión y una precisión del 57,6 % en el modo de clasificación [31]. En otro trabajo, los autores utilizaron un sistema automático de imágenes capaz de rastrear el mismo gusano durante toda su vida útil, por lo que tenían datos de 734 gusanos para los que se tomaron imágenes cada 3,5 horas. Usaron U-Net para segmentar gusanos del fondo y luego realizaron la regresión de coordenadas del cuerpo del gusano para crear representaciones de gusanos enderezadas. Luego, usaron un ResNet34 modificado y lograron hacer retroceder la edad del gusano con un MAE mínimo de 0,6 días para imágenes sin procesar [32].

Aquí usamos el mismo conjunto de datos que en [8, 32], sin embargo, en lugar de predecir la edad de cada gusano, desarrollamos una plataforma basada en CNN que llamamos WormNet capaz de clasificar a los adultos jóvenes (día 1-3) en de corta duración y de larga duración, y también diseñar un enfoque para extraer características importantes para dicha clasificación. Del mismo modo, hemos aplicado WormNet para clasificar el movimiento de C. elegans. Para interpretar los resultados de la clasificación de una manera por diseño, hemos acompañado la clasificación CNN con una segmentación en tándem CNN. Para esto, ideamos una nueva arquitectura basada en U-Net (HydraNet) para segmentar gusanos del fondo y también segmentar el cuerpo del gusano en partes anterior, media del cuerpo y posterior. La interpretación de los resultados de la clasificación se logró mediante la unión de la segmentación de HydraNet y los mapas de activación de clases generados con WormNet. Los análisis de los mapas de activación de clases combinados con la segmentación de partes del cuerpo de tal manera en tándem nos permitieron extraer las características responsables de la predicción de la vida útil. Finalmente, utilizando una versión segmentada de mayor resolución de las imágenes de C. elegans, verificamos nuestros resultados en un CNN InceptionV3 residual de mayor capacidad expresiva acompañado de interpretación manual.

RESULTADOS

Los datos de lapso de tiempo para 734 C. elegans capturados desde el día 1 de la edad adulta hasta la muerte se utilizaron para desarrollar nuestra plataforma prototipo [8,15]. Para desarrollar un enfoque para la interpretación automatizada de estas imágenes, abordamos el problema de segmentar los gusanos de su fondo, así como distinguir las partes morfológicas de los gusanos (Figura 1). Para esto, hemos anotado manualmente 130 imágenes de gusanos adultos con máscaras para las partes anterior, media del cuerpo y posterior del gusano y sumando una máscara de gusano total (Figura 1F-1H). Luego, este conjunto de datos se dividió en las fracciones de tren (90) y prueba (40) en función de la ID del conjunto de datos de un gusano individual para garantizar que las características individuales del gusano no se filtren a la retención de prueba. afuera. En primer lugar, para abordar el problema de la segmentación total del gusano, hemos construido una arquitectura relativamente poco profunda similar a U-Net [24] acompañada de una cabeza sigmoidea para la clasificación binaria. Para mayor claridad, las partes de codificación y decodificación de U-Net se muestran en la Figura lA como a y . Las imágenes sin procesar se escalaron a 96 × 96 píxeles para mayor eficiencia computacional. Usamos la función de pérdida de dados y monitoreamos el índice de Jaccard para evaluar la calidad de la segmentación. En este problema de segmentación relativamente simple, el índice de Jaccard alcanzó 0,97 tanto en el tren como en las fracciones de prueba (Figura 1A, 1B, consulte Materiales y métodos para ver los hiperparámetros detallados). A continuación, para extender este enfoque a la segmentación de partes individuales del cuerpo de C. elegans, hemos reformulado el problema como una segmentación multiclase con máscaras codificadas en caliente y una arquitectura similar a U-Net (Figura 1C, 11). Como era de esperar, dado que una clasificación multiclase es un problema más difícil, esto condujo a un peor rendimiento de 0,92 y 0,91 en el índice de Jaccard en la fracción de tren y prueba, respectivamente, lo que sugiere un leve sobreajuste.

Sorprendentemente, un aspecto de U-Net multiclase que no funcionó bien fue distinguir las partes anterior y posterior del gusano, lo que condujo a la generación de máscaras superpuestas (Figura lI). Para eludir esta limitación, hemos diseñado una arquitectura alternativa utilizando U-Net a y partes, con múltiples partes dedicadas cada una para su propio problema de segmentación binaria (Figura 1D, 1E), que llamamos HydraNet. Este enfoque crea una arquitectura entrenada conjuntamente con capas de entrada comunes y capas dedicadas para cada una de las partes morfológicas del gusano, lo que permite tener un modelo de extremo a extremo, mientras resuelve un problema de clasificación binaria más simple. HydraNet3 estaba equipado con 3 partes dedicadas a las partes anterior, media del cuerpo y posterior del cuerpo del gusano. HydraNet4, a su vez, estaba equipado con 4 partes dedicadas a las partes anterior, media del cuerpo, posterior y todo el cuerpo del gusano. Para estimar el desempeño conjunto de HydraNet, medimos el índice de Jaccard para cada parte individualmente y finalmente evaluamos el índice de Jaccard promedio. Sorprendentemente, tanto HydraNet3 como HydraNet4 lograron el índice de Jaccard promedio 0.97 tanto en el tren como en las fracciones de prueba, lo que demuestra una buena generalización (Figura 1D, IE, 1J, 1K). Cabe destacar que HydraNet4 logró la conversión antes que HydraNet3 (Figura 1D, recuadros de IE), lo que sugiere un posible efecto positivo al acompañar la arquitectura con una clase semántica más general.

A continuación, para obtener clasificadores para el movimiento o la vida útil de C. elegans, dividimos los 734 gusanos en 2 clases de cantidad de movimiento total: movimiento bajo o alto estimado como motilidad por encima o por debajo de la distancia promedio recorrida durante el tiempo de vida; y 2 clases de vida útil: 'de corta duración' con una vida útil de 7 días o menos, y 'de larga duración' con una vida útil de 8 días o más. La tarea consistía en predecir las clases en función de las imágenes del día 1, día 2 o día 3. Dado que el conjunto de datos es relativamente pequeño, el uso de arquitecturas de alta capacidad expresiva podría provocar un sobreajuste. Por lo tanto, diseñamos una CNN relativamente poco profunda a la que llamamos WormNet. Esta arquitectura constaba de 5 capas convolucionales, cada una seguida de una capa de agrupación máxima. Se implementaron abandonos y normalización por lotes para cada capa convolucional en la red neuronal para mejorar la generalización.que es una cistancheLa última capa de agrupación máxima se aplanó y se adjuntó a una capa completamente conectada seguida de una capa de softmax. Usamos entropía cruzada binaria como una función de pérdida. Todas las capas, excepto la última, usaron una unidad lineal rectificada (ReLU) como función de activación (Figura 2A, ver Materiales y Métodos para hiperparámetros detallados). Se usó WormNet para obtener clasificadores de movimiento y vida útil (Figuras 2 y 3). Para aliviar aún más el posible sobreajuste, realizamos un aumento de datos de 30-veces utilizando generadores de imágenes de Keras. Específicamente, las imágenes están sujetas a giros horizontales y verticales aleatorios, cambios horizontales y verticales dentro del rango del 10 por ciento, así como rotaciones aleatorias dentro del rango de 90 grados del original. Los espacios en blanco en las imágenes transformadas se llenaron usando la estrategia de valor más cercana.

WormNet mostró un buen desempeño en la clasificación de movimiento total alcanzando un 88 por ciento de precisión (precisión 0.86, recuperación 0.86, área bajo la curva para la característica operativa del receptor - AUC ROC - fue 0.56) en el conjunto de datos de prueba para la fracción de adultos del día 3. El rendimiento de las imágenes de los días 1 y 2 fue ligeramente inferior (Figura 2B-2D) con ROC AUC de 0.51 y 0.55 respectivamente. Para garantizar que nuestra predicción esté influenciada principalmente por la morfología del gusano en lugar de su entorno, generamos un conjunto de datos de imágenes de fondo sintéticas donde C. elegans se eliminó mediante segmentación. Para aliviar la influencia de la silueta del gusano en el entrenamiento, hemos llenado los píxeles cero restantes con ruido aleatorio (Figura 1 complementaria). Nuestros resultados sugirieron que el rendimiento del modelo se atribuye predominantemente a la morfología de C. elegans en lugar del fondo de las imágenes. Para evaluar qué parte del cuerpo podría ser responsable de la toma de decisiones de WormNet, utilizando nuestro enfoque de clasificación de segmentación en tándem, hemos obtenido CAM para un gusano de clase de movimiento bajo (Figura 2E, 2F) y un gusano de movimiento alto (Figura 2G, 2H) de WormNet.bioflavonoidesA continuación, cada imagen se segmentó utilizando HydraNet4 y se obtuvo la unión de la CAM del cuartil superior de WormNet con la segmentación de la parte morfológica de HydraNet4. Para fines de interpretación, hemos calculado el porcentaje de CAM que pertenecen a un segmento morfológico respectivo para cada gusano respectivo que pertenece a una clase de movimiento alto o bajo. Además, evaluamos la importancia de esta interpretación por diseño utilizando ANOVA unidireccional con corrección de diferencia significativa honesta (HSD) de Tukey (Figura 2F: gusanos de movimiento bajo, Figura 2H: gusanos de movimiento alto). La comparación sugirió que la parte anterior estaba cubierta significativamente menos (31 por ciento) que la parte media del cuerpo (34 por ciento) y las partes posteriores (34 por ciento) para los gusanos de movimiento bajo y alto. No hubo diferencia significativa entre la parte media del cuerpo y la parte posterior del cuerpo.

A continuación, usamos WormNet para clasificar los gusanos de vida larga y corta. De manera similar a la clasificación de movimientos, WormNet funcionó mejor en la muestra de adultos del día 3, alcanzando una precisión del 72 por ciento (precisión 0.73, recuperación 0.71, AUC ROC 0.61) en el conjunto de datos de prueba, en comparación con AUC ROC de 0.53 y 0.52 para el día 2 y 1 respectivamente.comprar cistancheEl análisis de la matriz de confusión sugirió que la CNN tuvo un rendimiento inferior en la clasificación de gusanos de vida corta (Figura 3A-3C). A continuación, hemos interpretado el clasificador utilizando el tándem de HydraNet4 y WormNet acompañado de una prueba estadística ANOVA unidireccional. En el caso de la clasificación de la vida útil, la interpretación por diseño sugirió que al 32 por ciento la parte anterior era significativamente menos pronunciada en las CAM en comparación con la parte media del cuerpo y la parte posterior (Figura 3D, 3E-vida útil corta, Figura 3F, 3G-vida larga). esperanza de vida). Esta diferencia fue menos significativa para una vida larga que para una vida corta. No hubo diferencia significativa entre la parte media del cuerpo y la parte posterior.

Para verificar estos hallazgos de manera independiente, hemos entrenado otro clasificador de vida útil utilizando la arquitectura residual InceptionV3 [3] acompañado de una interpretación manual (Figura 4). Además, en este caso, para garantizar una alta resolución de las CAM en lugar de escalar a 96 × 96 píxeles, se utilizaron imágenes de resolución completa de 900 × 900 recortadas a 800 × 800 píxeles (516 × 516 μm). Como CNN con una capacidad expresiva mucho mayor, InceptionV3 era propenso a sobreajustarse en nuestro conjunto de datos relativamente pequeño (Figura 4C, 4D). Para evitar esto, hemos implementado una parada temprana durante el entrenamiento. Además, segmentamos los gusanos de su fondo para garantizar que InceptionV3 se presente solo con la parte relevante de la imagen. InceptionV3 se desempeñó de manera similar a WormNet con una precisión que alcanzó el 70 por ciento en el conjunto de datos de prueba para la clasificación de la vida útil (Figura 4A). En consonancia con el enfoque de interpretación de HydraNet4-WormNet en tándem, en el caso de la interpretación manual, la parte anterior del gusano se destacó con menos frecuencia por el CAM InceptionV3. Sin embargo, es importante destacar que, debido a la mayor resolución de las imágenes de entrada, las CAM ahora localizaron mucho mejor las partes del cuerpo, lo que permitió asignar una parte del cuerpo como posible discriminador en cada caso (Figura 4B). Curiosamente, la distribución de las partes del cuerpo destacadas por el análisis de CAM demuestra que la parte posterior es más importante para la clasificación de los gusanos de larga vida, lo que sugiere que las características que predicen la longevidad podrían ubicarse en la parte posterior del cuerpo del gusano.

DISCUSIÓN

A pesar de que C. elegans es un modelo clásico en la investigación del envejecimiento con más de 4000 artículos publicados hasta la fecha, y el progreso en robótica, el proceso de medición de la vida útil de C. elegans sigue siendo manual y laborioso. Sin embargo, están surgiendo nuevos enfoques, como la máquina de vida útil que utiliza escáneres planos para evaluar simultáneamente la viabilidad de una gran población de gusanos en las placas [34]. Otro enfoque son los corales de gusanos, un método de vermicultura automatizado que permite rastrear gusanos a lo largo de su vida útil con mediciones mucho más detalladas [8]. Los datos fisiológicos detallados producidos en los corales gusano mostraron que el movimiento, la autofluorescencia y la degradación de la textura son los mejores predictores de la vida útil. Sin embargo, no está claro qué características morfológicas exactas reflejan patologías y determinan la duración de la vida. También se encontró que las mediciones fisiológicas antes del día 3 o 4 de la edad adulta y los biomarcadores marcados con GFP individuales no pueden distinguir los gusanos de corta y larga vida [8,15]. Las predicciones basadas en nucleolas realizadas en el día l de adultos se realizan con un aumento de 100x en gusanos fijos, lo que no se puede lograr con ninguna plataforma de detección automatizada.

Aquí trabajamos con el conjunto de datos generado en el laboratorio de Pincus [8,15], y demostramos que la aplicación de WormNet recientemente diseñada fue capaz de discriminar con éxito entre gusanos de vida corta y larga, incluso para imágenes tomadas en el día 1 o el día 2; lo que es más importante, para el día 3, la CNN demostró el mejor rendimiento (Figura 2A-2C). WormNet fue aún mejor en la clasificación de gusanos con movimiento total alto y bajo, logrando una precisión del 88 por ciento para los adultos del día 1 (Figura 3). Esperamos que genere más datos y que el desarrollo de la CNN prediga la vida útil [32]. Como se mencionó anteriormente, los autores segmentaron los gusanos y crearon representaciones de gusanos enderezados, que se usaron para el entrenamiento de CNN [32]. Un mayor número de muestras mejoró la predicción basada en la regresión de la edad de los gusanos. Curiosamente, los autores han encontrado información limitada para la estimación de la edad, mientras que la información de fondo puede mejorar significativamente la precisión, aunque el valor predictivo del fondo es un artefacto de las condiciones experimentales. Por lo tanto, es posible que la precisión predictiva de WormNet en nuestras simulaciones pueda explicarse en parte por la información de fondo. Sin embargo, como sugieren nuestros experimentos (Figura 1 complementaria), el rendimiento de WormNet depende principalmente de la morfología de C. elegans en lugar del fondo de las imágenes. Es importante destacar que el entrenamiento previo en las representaciones de coordenadas corporales en [32] mejoró la precisión en las imágenes sin procesar, lo que sugiere que los órganos y la textura de los gusanos son útiles para la predicción de la edad.

Además de la clasificación de la vida útil o el movimiento en función de las imágenes de adultos jóvenes, también intentamos encontrar características importantes para la predicción. Como tarea de prototipo, decidimos determinar qué parte del cuerpo (anterior, media o posterior) contiene características que influyen más en la duración de la vida. Diseñamos HydraNet 3 y 4, nuevas arquitecturas basadas en U-Net y demostramos que pueden segmentar con éxito las partes del cuerpo del gusano logrando valores de índice Jaccard perfectos. Es importante destacar que, para desarrollar un enfoque de interpretación por diseño, empleamos un tándem de clasificación biológicamente significativa (vida útil y movimiento) que brindó prominencia a través de mapas de activación de clase [30, 35] y segmentación morfológica (regiones anterior, media del cuerpo y posterior) para encontrar qué la parte del cuerpo es útil para las clasificaciones. Además, aunque menos resueltos, los hallazgos obtenidos del enfoque en tándem fueron consistentes con un clasificador entrenado de forma independiente. Este clasificador binario se basó en InveptionV3 CNN. Se entrenó en imágenes de resolución óptica completa de 800 × 800 píxeles con gusanos segmentados desde su fondo y logró resultados comparables a WormNet, aunque el modelo es menos generalizable debido a un mayor sobreajuste (Figura 4). Sin embargo, en el caso de InceptionV3, distintas partes del cuerpo podrían localizarse en las CAM, y los análisis sugieren que las características ubicadas en la parte posterior del gusano podrían ser más importantes para clasificar los gusanos de larga vida. Este enfoque proporciona una vía para el descubrimiento de nuevos biomarcadores de edad importantes en C. elegans en un entorno automatizado, dado un aumento significativo en la resolución de la imagen y el uso de la representación de coordenadas corporales. Los órganos no etiquetados, como la faringe o las entidades etiquetadas con GFP, se podrían segmentar mediante HydraNets y evaluar su capacidad predictiva de vida útil mediante el enfoque CAM y WormNet. Es tentador especular que, al igual que las redes adversarias generativas [36], las implementaciones futuras de la interpretabilidad por diseño a través de un tándem de segmentación y clasificación pueden entrenarse de extremo a extremo y emplearse para el descubrimiento científico de rutina. La plataforma analítica automatizada de prueba de principio será útil para el descubrimiento de biomarcadores de envejecimiento no invasivos, particularmente en C. elegans adultos jóvenes 1-3. Esto tiene un gran potencial para acelerar la detección farmacéutica de fármacos antienvejecimiento. El desarrollo de la metodología también será útil para encontrar y caracterizar nuevas patologías en C. elegans importantes para la investigación básica del envejecimiento. Para poner el código a disposición de la comunidad de investigación que hemos depositado.

Este artículo se extrajo de www.aging-us.com ENVEJECIMIENTO 2022, vol. 14, nº 4