JMB | 王立明/许浩东团队开发Deeptosis AI平台，明场下无标记精准区分凋亡与焦亡

凋亡与焦亡是两种至关重要的程序性细胞死亡方式，在肿瘤、炎症、免疫和药物应答中扮演关键角色。两者虽在典型形态上特征分明 ， 但在常规明场显微图像中，由于缺乏荧光标记的对比增强，这些形态差异往往不够突出，加之细胞死亡过程的动态连续性和中间态的模糊性，人为凭经验很难快速、客观地进行可靠区分，更难以实现高通量定量。 而 传统精准鉴定依赖荧光标记或分子 Mar ker的 检测，不仅耗时昂贵，也限制了动态监测和大规模筛选。

近日，湖南大学王立明教授 团队 联合 中南大学许浩东教授 团队在Journal of Molecular Biology发表了一项实用型研究成果，推出了名为Deeptosis的深度AI学习平台。该平台解决实验研究中的真实痛点：不依赖荧光标记、不增加染色步骤，仅利用常规明场图像，即可一键式自动识别细胞是凋亡、焦亡还是其他死亡状态。

从技术上看， Deeptosis 构建了端到端分析流程：先用 Cellpose 对明场图像中的细胞进行自动分割，提取单细胞区域；再将这些单细胞图像送入 Vision Transformer （ ViT ）分类器，输出预测结果及置信度。平台还提供带颜色标注的可视化图像和 单 细胞 CSV 文件（含坐标、标签、置信度），方便后续分析。

在性能上，研究团队基于 26,565 张人工标注的单细胞明场图像进行训练与评估。五折交叉验证的平均 AUROC 达到 0.999 ；独立测试集上，凋亡、焦亡和其他类别的 AUROC 分别为 0.990 、 0.982 和 0.983 。尤为关键的是，作者额外采集 第三方实验 不同显微镜平台下的独立数据集进行验证，模型依然保持高鲁棒性（凋亡 AUROC 0.977 ，焦亡 0.946 ）；即使改用人工手动分割的单细胞图像，模型同样表现稳健，证明 Deeptosis 所学并非分割算法的“表面捷径”，而是真正的形态学特征。

除了算法本身， Deeptosis 的另一 突出 亮点是实用化部署。作者开发了开源的网页服务（ 网站链接： http://modinfor.com/Deeptosis ），用户无需编程即可上传明场图像，系统自动完成分割、分类、可视化与结果汇总。

总体而言， Deeptosis 将 Cellpose 、 Vision Transformer 和 网站 服务有机结合，为生命科学和医学研究者提供了一种无标记、低成本、可及性高的细胞死亡分析新工具 ，为研究学者快速 区分凋亡和焦亡， 进行高通量筛选，提供了 明场下的AI鉴定师。

湖南大学生命医学交叉研究院硕士研究生王海吉和福建医科大学助理研究员林少峰博士 为本文 共同 第一作者，湖南大学王立明教授 和中南大学 许浩东 教授 为本文共同通讯作者。

原文链接：https://www.sciencedirect.com/science/article/pii/S0022283626001889

王立明团队 长期聚焦线粒体自噬与线粒体稳态的分子机制、信号转导与病理生理功能，系统开展相关生物靶点发现与药物研究。 本研究是团队在无标记细胞死亡表型识别方向上的最新进展 。现由于课题需要招聘博士后1-2名，实验室常年招收硕士和博士研究生，请有意者投递简历。欢迎访问实验室网址了解详细信息 ( https://www.x-mol.com/groups/liming_wang111 )

制版人：十一

BioArt

Med

Plants

人才招聘

学术合作组织

（*排名不分先后）

转载须知

【非原创文章】本文著作权归文章作者所有，欢迎个人转发分享，未经作者的允许禁止转载，作者拥有所有法定权利，违者必究。