Machine learning image analysis predicts Parkinson disease genotype and mitochondrial lysosomal abnormalities in iPS neurons.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Mitokondriyal ve lizozomal disfonksiyon, Parkinson hastalığının (PD) PRKN, SNCA ve LRRK2 dahil olmak üzere başlıca genetik formlarındaki merkezi özellikleridir. Yüksek içerikli görüntülemeyi nicel özellik ekstraksiyonu ile birleştiren makine öğrenme tabanlı bir çerçeve olan hücre morfomiklerini uyguladık, mitokondriyal ve lizozomal morfolojiyi tek hücreli çözünürlükte analiz etmek için, PD hastalarından ve sağlıklı kontrollerden elde edilen iPS hücre türevi kortikal nöronlarda (13 satır toplam). Denetimli makine öğrenme modelleri, PD nöronlarını yüksek doğrulukta kontrollerden (AUC = 0.87) ve güvenilir bir şekilde ayrılmış bireysel genotiplerden ayırır. Özellik önemi ve attribution analizi, mitokondriyal ve lizozomal özelliklerin göreceli katkısında genotipe özgü organel önyargıları, PRKN nöronlarında mitokondriyal özellikler, SNCA nöronlarında dengeli mitokondriyal ve lizozomal katkılar ve LRRK2 nöronlarında daha büyük bir lizozomal katkı ortaya koymuştur. Çok sınıflı modeller güçlü bir performans korudu ve bulgular farklı boyalar ve görüntüleme koşulları kullanılarak iki bağımsız laboratuvarda çoğaltıldı. Bu sonuçlar, morfomiklerin PD nöronlarındaki genotipe özgü organelle anormalliklerini ölçmek için sağlam ve ölçeklenebilir bir çerçeve sağladığını ve hücresel tabakalaşma ve biyobelirteç keşfi için uygulanmasını desteklediğini göstermektedir.

Özgün kaynak özetini okuyun

Mitochondrial and lysosomal dysfunction are central features of Parkinson's disease (PD) across major genetic forms including PRKN, SNCA, and LRRK2. We applied cell morphomics, a machine-learning-based framework combining high-content imaging with quantitative feature extraction, to analyse mitochondrial and lysosomal morphology at single-cell resolution in iPS cell-derived cortical neurons from PD patients and healthy controls (13 lines total). Supervised machine-learning models distinguished PD neurons from controls with high accuracy (AUC = 0.87) and reliably separated individual genotypes. Feature importance and attribution analysis revealed genotype-specific organelle biases in the relative contribution of mitochondrial and lysosomal features, with mitochondrial features dominating classification in PRKN neurons, balanced mitochondrial and lysosomal contributions in SNCA neurons, and a greater lysosomal contribution in LRRK2 neurons. Multi-class models retained strong performance, and findings were reproduced across two independent laboratories using different dyes and imaging conditions. These results demonstrate that morphomics provides a robust and scalable framework to quantify genotype-specific organelle abnormalities in PD neurons and supports its application for cellular stratification and biomarker discovery.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.