Künstliche Intelligenz verfolgt alternde und beschädigte Zellen durch hochauflösende Bildgebung

Eine Kombination aus hochauflösender Bildgebung und maschinellem Lernen, auch als künstliche Intelligenz (AI) bekannt, kann Zellen verfolgen, die durch Verletzung, Alterung oder Krankheit beschädigt wurden und die normalerweise nicht mehr wachsen und sich reproduzieren, zeigt eine neue Studie.
Es ist bekannt, dass diese seneszenten Zellen eine Schlüsselrolle bei Wundreparaturen und alternungsbedingten Krankheiten wie Krebs und Herzerkrankungen spielen. Daher könnten die Verfolgung ihrer Fortschritte zu einem besseren Verständnis dafür führen, wie Gewebe ihre Fähigkeit, sich im Laufe der Zeit zu regenerieren oder wie sie Krankheiten zu befeuern, allmählich verlieren. Das Tool könnte auch Einblicke in Therapien zur Umkehrung des Schadens geben.
Unter der Leitung von Forschern der Abteilung für orthopädische Chirurgie der NYU Langone Health umfasste sie die Schulung eines Computersystems zur Analyse von tierischen Zellen, die durch Erhöhung der Konzentrationen von Chemikalien im Laufe der Zeit zur Replikation des menschlichen Alterns beschädigt wurden. Zellen, die kontinuierlich mit Umwelt- oder biologischer Stress konfrontiert sind, sind von Senesces bekannt, was bedeutet, dass sie aufhören, sich zu reproduzieren und verräterische Moleküle freizusetzen, was darauf hinweist, dass sie Verletzungen erlitten haben.
Veröffentlicht im Journal Naturkommunikation Online am 7. Juli ergab die KI -Analyse der Forscher mehrere messbare Merkmale, die mit dem Kontrollzentrum der Zelle (ihres Kerns) verbunden waren und die mit dem Grad der Seneszenz im Gewebe oder der Gruppe von Zellen zusammen verfolgt wurden. Dies beinhaltete Anzeichen dafür, dass sich der Kern erweitert hatte, dichtere Zentren oder Foki hatte und weniger kreisförmig und unregelmäßiger geworden war. Sein genetisches Material färbte auch heller als normal mit Standard -chemischen Farbstoffen.
Weitere Tests bestätigten, dass die Zellen mit diesen Eigenschaften tatsächlich seneszieren, die zeigten, dass sie die Reproduktion aufgehört hatten, die DNA beschädigt und dicht gepackte Enzymstoring-Lysosomen hatten. Die Zellen zeigten auch eine Reaktion auf bestehende senolytische Medikamente.
Aus ihrer Analyse schuf die Forscher eine sogenannte nukleare morphometrische Pipeline (NMP), die die veränderten physikalischen Eigenschaften des Nucleus verwendet, um einen einzelnen seneszenten Score zu erzeugen, um eine Reihe von Zellen zu beschreiben. Beispielsweise konnten Gruppen vollständig seneszierender Zellen mit einer Gruppe gesunder Zellen in einer Skala von minus 20 bis plus 20 verglichen werden.
Um den NMP -Score zu validieren, zeigten die Forscher dann, dass er zwischen gesunden und kranken Mauszellen von jungen bis älteren Mäusen, 3 Monaten bis mehr als 2 Jahre, genau unterscheiden konnte. Ältere Zellcluster hatten signifikant niedrigere NMP -Werte als jüngere Zellcluster.
Die Forscher testeten auch das NMP -Tool an fünf Arten von Zellen in Mäusen unterschiedlicher Alters mit verletztem Muskelgewebe, während es repariert wurde. Es wurde festgestellt, dass die NMP eng mit den sich verändernden Spiegel an seneszenten und nicht versenkenden mesenchymalen Stammzellen, Muskelstammzellen, Endothelzellen und Immunzellen bei jungen, adulten und geriatrischen Mäusen verfolgt. Zum Beispiel konnte die Verwendung des NMP bestätigen, dass seneszente Muskelstammzellen in Kontrollmäusen nicht verletzt waren, die jedoch unmittelbar nach der Muskelverletzung in großer Zahl bei verletzten Mäusen vorhanden waren (wenn sie die Reparatur initiieren), mit allmählichem Verlust, als der Gewebe regenerierte.
Die endgültigen Tests zeigten, dass die NMP erfolgreich zwischen gesunden und seneszenten Knorpelzellen unterscheiden konnte, die bei geriatrischen Mäusen mit Arthrose zehnmal häufiger als bei jüngeren, gesunden Mäusen waren. Es ist bekannt, dass sich Osteoarthritis mit dem Alter zunehmend verschlechtert.
Unsere Studie zeigt, dass spezifische nukleare Morphometrie als zuverlässiger Instrument zur Identifizierung und Verfolgung seneszierender Zellen dienen kann, von denen wir glauben, dass sie für zukünftige Forschung und Verständnis der Geweberegeneration, des Alterns und der fortschreitenden Krankheit von entscheidender Bedeutung ist. „
Michael N. Woscyna, PhD, Studie Senior Investigator
Dr. Woscyna ist Assistenzprofessor an der Abteilung für orthopädische Chirurgie an der NYU Grossman School of Medicine.
Laut Dr. Woscyna bestätigt die Studie seines Teams die breite Anwendung des NMP auf die Untersuchung seneszierender Zellen in allen Altersgruppen und unterschiedlichen Gewebetypen sowie bei verschiedenen Krankheiten.
Er sagt, dass das Team weitere Experimente plant, um die Verwendung des NMP in menschlichen Geweben zu untersuchen und die NMP mit anderen Biomarker -Tools zur Untersuchung der Seneszenz und ihrer verschiedenen Rollen bei Wundreparatur, Altern und Krankheiten zu kombinieren.
Die Forscher sagen, dass ihr endgültiges Ziel für die NMP, für die die NYU eine Patentanwendung eingereicht hat, darin besteht, sie zu verwenden, um Behandlungen zu entwickeln, die negative Auswirkungen der Seneszenz auf die menschliche Gesundheit verhindern oder umkehren.
„Unsere Testplattform bietet eine strenge Methode, um leichter als vor der Studie seneszierende Zellen zu untersuchen und die Wirksamkeit der Therapeutika wie Senolytik zu testen, um diese Zellen in verschiedenen Geweben und Pathologien abzuzielen“, sagte Dr. Woscyna, der anderen Forschern die NMP frei zur Verfügung stellt.
„Bestehende Methoden zur Identifizierung seneszierender Zellen sind schwierig zu verwenden, was sie weniger zuverlässig macht als die nukleare morphometrische Pipeline oder NMP, die sich auf einem häufig verwendeten Färbung für den Kern stützt“, sagte der Co-Lead-Forscher Sahil Mapkar, BS. Mapkar ist Doktorandin an der NYU Tandon School of Engineering.
Die Finanzierung der Studie wurde von National Institutes of Health Grant R01AG053438 und der Abteilung für orthopädische Chirurgie in NYU Langone bereitgestellt.
Neben Dr. Woscynna und Mapkar sind die an dieser Studie beteiligten NYU Langone-Forscher Sarah Bliss und Edgar Perez Carbajal und die Co-Co-Investitionatoren Sean Murray, Zhiru Li, Anna Wilson, Vikrant Pipfyu, Youjin Lee, Thorsten Kirsch, Katerina Petroff und Fengyuan Liu.
Quellen:
Mapkar, S. A., et al. (2025). Nuclear morphometrics coupled with machine learning identifies dynamic states of senescence across age. Nature Communications. doi.org/10.1038/s41467-025-60975-z.