A deep learning convolutional neural network distinguishes neuronal models of Parkinson’s disease from matched controls
Notice bibliographique
Résumé
Abstract Parkinson’s disease (PD) is a neurodegenerative disorder that results in the loss of dopaminergic neurons in the substantia nigra pars compacta. Despite advances in understanding PD, there is a critical need for novel therapeutics that can slow or halt its progression. Induced pluripotent stem cell (iPSC)-derived dopaminergic neurons have been used to model PD but measuring differences between PD and control cells in a robust, reproducible, and scalable manner remains a challenge. In this study, we developed a binary classifier convolutional neural network (CNN) to accurately classify microscopy images of PD models and matched control cells. We acquired images of iPSC-derived neural precursor cells (NPCs) and dopaminergic (DANs) and trained multiple CNN models comparing control cells to genetic and chemical models of PD. Our CNN accurately predicted whether control NPC cells were treated with the PD-inducing pesticide rotenone with 97.60% accuracy. We also compared control to a genetic model of PD (deletion of the Parkin gene) and found a predictive accuracy of 86.77% and 95.47% for NPC and DAN CNNs, respectively. Our cells were stained for nuclei, mitochondria, and plasma membrane, and we compared the contribution of each to the CNN’s accuracy. Using all three features together produced the best accuracy, but nuclear staining alone produced a highly predictive CNN. Our study demonstrates the power of deep learning and computer vision for analyzing complex PD-related phenotypes in DANs and suggests that these tools hold promise for identifying new targets for therapy and improving our understanding of PD.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».