蛋白质在大脑中的错误折叠和聚集是亨廷顿病、阿尔茨海默病和帕金森病等神经退行性疾病发展的核心机制。但仅凭肉眼观察，这些注定形成有害聚集体的蛋白质与正常蛋白质并无区别。这类聚集过程通常具有随机性和快速性——往往在几分钟内发生。识别和表征蛋白质聚集体的能力对于理解及对抗神经退行性疾病至关重要。
通过深度学习技术，EPFL研究人员成功开发出全球首个"自驱动"成像系统。该系统整合多种显微技术，不仅能实时追踪分析蛋白质聚集过程，甚至能在聚集开始前进行预测。这种方法不仅最大化成像效率，还显著减少荧光标记的使用——这些标记可能改变细胞样本的生物物理特性，影响分析准确性。
"这是我们首次能够准确预测蛋白质聚集体的形成，"EPFL新晋博士毕业生Khalid Ibrahim表示。他进一步解释说："由于这些蛋白质的生物力学特性与疾病发生及细胞功能紊乱密切相关，理解其聚集过程中的特性演变将为开发解决方案提供基础性认知。"
这项研究发表于《自然通讯》杂志，由EPFL工程学院纳米生物学实验室负责人Aleksandra Radenovic、生命科学学院的Hilal Lashuel，以及德国海德堡欧洲分子生物学实验室的Carlo Bevilacqua和Robert Prevedel共同完成。该项目源于Lashuel和Radenovic实验室之间长期合作，将神经退行性疾病研究与先进活细胞成像技术结合。
在首次合作中，研究团队开发了能够从无标记活细胞图像中检测成熟蛋白质聚集体的深度学习算法。最新研究在此基础上升级为实时图像分类算法：当检测到成熟蛋白质聚集体时，该算法会自动触发布里渊显微镜，通过分析散射光来表征聚集体的弹性等生物力学特性。
布里渊显微镜的成像速度较慢，传统上难以研究快速演变的蛋白质聚集体。但EPFL团队利用AI驱动的方法，仅在检测到蛋白质聚集体时启动布里渊显微镜，既加速了整个过程，又开辟了智能显微镜的新领域。"这是首篇展示自驱动系统在无标记显微成像中巨大潜力的研究，这将促使更多生物学家采用快速发展的智能显微技术，"Ibrahim强调。
通过进一步训练检测"聚集起始"的深度学习算法（准确率达91%），研究人员实现了对蛋白质聚集全过程的动态捕捉。Lashuel指出，这项技术突破不仅推动智能显微镜发展，更在药物发现和精准医疗领域具有重要意义。"无标记成像方法为研究和靶向被称为毒性寡聚体的小型蛋白质聚集体开辟了新途径，这些聚集体被认为是神经退行性疾病的中心致病因素。"
该研究团队已着手构建药物开发平台，旨在加速神经退行性疾病的有效疗法研发。
【全文结束】
