AI-assisted phenotyping in a zebrafish hypophosphatasia model enables early and precise detection of skeletal alterations
Notice bibliographique
Résumé
Abstract Hypophosphatasia (HPP) is a rare genetic disorder mainly affecting bone and tooth mineralization in patients due to ALPL gene mutations. Understanding genotype-phenotype correlations in HPP remains challenging due to different severities and the disease’s heterogeneity. To address this, we established a novel zebrafish animal model ( alpl wue7 ), which mimics severe HPP disease forms. To bypass limitations in human-based phenotypic classification of skeletal alterations in this transgenic line, we developed and trained an artificial intelligence (AI) model capable of image-based classification with 68% accuracy—an improvement of 79% over manual classification. Our AI model could successfully identify early developmental alterations independent of altered image magnification, coloration quality and executing scientists. Using attention rollout, we further visualized AI decision-making, revealing not only expected focus on early bone structures but also unexpected emphasis on the otoliths—parts of the zebrafish’s hearing and balancing organ. We see applications of our AI system in analyzing other skeletal disorder models as well as in providing an unbiased, high-throughput phenotypic rescue quantification assay for potential drug screening applications in zebrafish larvae. Overall, our findings establish an integrated platform for studying HPP and open new avenues for AI-assisted phenotyping and therapeutic discovery.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».