基于光学光热红外图像的亚细胞细胞器无标记人工智能分类

细胞通过动态重组其细胞器以调节代谢，从而响应应激并维持稳态。荧光显微镜能够以亚细胞分辨率描绘细胞器的位置，但对其化学组成提供的信息有限。红外（IR）成像为探测脂质、碳水化合物和核酸等内源性分子振动提供了一种无需标记的替代方法。然而，其在亚细胞生物学中的更广泛应用一直受到空间分辨率和高光谱数据复杂性的限制。在此，我们将亚微米光学光热红外成像与机器学习相结合，对固定的 U-2 OS 细胞中的亚细胞结构进行分类。以荧光标记的细胞器作为真实标签，我们训练并评估了随机森林（RF）分类器和 U-Net 卷积神经网络，以根据红外光谱识别细胞器。RF 模型快速收敛，每个细胞中每一类别所需光谱少于 75 条、所需细胞少于 25 个，这表明在小范围细胞区域上训练的模型可以扩展用于整细胞图像分类。所得分类器能够准确识别多种细胞器，包括内质网、高尔基体、线粒体、细胞核、核仁和应激颗粒。相比之下，对核斑、肌动蛋白和微管的分类未获成功，这表明在这些条件下，某些结构缺乏足够独特的红外特征。基于 U-2 OS 细胞训练的分类器可推广至 HEK 293 细胞，这与不同细胞类型间细胞器生化组成的保守性一致。然而，这些分类器在细胞应激条件下失效，表明其对细胞器状态的应激诱导变化较为敏感。综上，这些结果确立了一种可扩展、无需标记的高分辨率细胞器生化组成绘制策略，并为亚细胞生物标志物发现和疾病状态诊断奠定了基础。

基于光学光热红外图像的亚细胞细胞器无标记人工智能分类 | bioRxiv

跳转至主要内容

首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 最新结果

基于光学光热红外图像的亚细胞细胞器无标记人工智能分类

Michael J Burke，Victor S Batista，Caitlin M Davis

doi： https://doi.org/10.64898/2026.06.02.729616

Michael J Burke 1 耶鲁大学； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY-NC-ND 4.0 国际许可协议提供。

查看讨论主题。

返回顶部 上一篇 下一篇

发布于 2026 年 6 月 5 日。

下载 PDF 补充材料 电子邮件

您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。

您将通过电子邮件发送以下内容

基于光学光热红外图像的亚细胞细胞器无标记人工智能分类

邮件主题

（您的姓名）已从 bioRxiv 转发一个页面给您

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。

分享

基于光学光热红外图像的亚细胞细胞器无标记人工智能分类

Michael J Burke，Victor S Batista，Caitlin M Davis bioRxiv 2026.06.02.729616； doi： https://doi.org/10.64898/2026.06.02.729616

分享本文： 复制

引文工具

基于光学光热红外图像的亚细胞细胞器无标记人工智能分类

Michael J Burke，Victor S Batista，Caitlin M Davis bioRxiv 2026.06.02.729616； doi： https://doi.org/10.64898/2026.06.02.729616

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.02.729616v1?rss=1

🏷️ 无标记成像 光热红外成像 亚细胞细胞器分类 机器学习 U-Net 细胞器生化组成