重点推荐
扫码下载《动物行为实验手册》pdf
2024年11月17日，美国加州大学旧金山分校神经退行性疾病研究所Michael J. Keiser团队在Nature communications发表“Deep phenotypic profiling of neuroactive drugs in larval zebrafish” ，揭示了在幼年斑马鱼中对神经活性药物进行深入的表型分析。
这项研究通过高通量斑马鱼幼鱼行为筛选，筛选了一个包含650种中枢神经系统活性化合物的库，通过高重复实验训练深度度量学习模型来识别斑马鱼的行为特征，结合深度度量学习模型，成功识别了多种具有神经活性的化合物。研究不仅解决了初始实验中的伪影问题，还通过严格的随机化实验验证了模型的有效性。最终的模型在多样化药物样化合物数据集中表现出优异的泛化能力，并在体外实验中取得了较高的命中率。这些结果表明，斑马鱼表型筛选与度量学习相结合，具备强大的化学骨架跳跃能力，为药物发现提供了新的方法和工具。
图一 斑马鱼行为筛选与架构
作者基于NT-650神经递质库收集了一个高通量表型数据集，该数据集在高复制次数（每种药物7-10个复制）下进行筛选，用于训练机器学习模型。使用多孔板（如96孔板或384孔板）进行实验，每个孔中放置一条斑马鱼幼鱼和一定浓度的化合物。执行各种刺激，如声音、光刺激和物理敲击多孔板以引发鱼类的多种行为反应，在整个实验过程中录制鱼类行为的视频，记录和分析的行为参数包括运动轨迹、速度、活动模式、静止时间等。对于每个孔，将幼鱼的视频编码并转换为随时间的聚合运动，从而得到一个时间序列向量，或运动指数（MI）。这种方法能够高效地识别具有神经活性的化合物。实验设计中的随机化和数据预处理步骤确保了结果的可靠性和准确性。最终，通过机器学习模型的训练和验证，可以实现对化合物生物活性的精准预测。
图二 机器学习利用高频成分和板位效应
使用斑马鱼行为运动指数（MI）进行骨架跳跃和表型药物发现的先前工作主要依赖于向量距离计算来比较MI痕迹，而没有进行变形、对齐或对个别时间点进行相对加权。Twin-NN和Twin-DN模型在辨别正（匹配）和负（不匹配）药物复制对方面表现出显著提高的性能。在早期使用从未被度量学习模型见过的数据进行了一次存档质量控制（QC）筛选（“方法”）。在这个筛选中，我们选择了14种具有不同作用机制（MOAs）的药物，并进行了高重复实验，同时还包括溶剂（二甲基亚砜；DMSO）对照和致死对照（丁香酚）。当使用Hanning平滑滤波器去除时间序列的高频成分时，Twin-DN在原始NT-650筛选上的表现急剧下降，Twin-NN的表现也有所下降，但程度较小。这些结果表明，学习到的距离度量利用了NT-650筛选数据中的高频成分，而这些隐藏的“短路”模式无法泛化到独立的QC筛选中。表明模型的表达能力越强，越容易利用特征捷径。
图三 构建斑马鱼幼鱼的“行为组”
行为组（Behaviorome）类似于基因组（Genome）的概念，是指一个生物体在特定环境条件下展示的所有行为特征的集合。使用Twin-NN学习到的距离度量，作者对完全随机化的NT-650筛选中的化合物的MI痕迹进行聚类，并通过UMAP可视化结果。该聚类涵盖了650种已知的人类药物在斑马鱼幼虫中的应用。无效的药物分布在黄色区域，而诱导行为读数变化的药物则倾向于分布在紫色区域。最稳定的表型出现在UMAP图的底部，即主成分2（y轴）的负值范围内。这一过程涉及高通量筛选、行为特征记录、数据处理和模式识别等步骤。构建行为组的数据可以用于神经发育、药物筛选和行为遗传学等领域的研究，提供丰富的行为数据支持。
综上所述，与深度度量学习紧密结合的针对性幼年斑马鱼行为筛选是识别脊椎动物中新神经活性化合物的一种高效的方式。
https://doi.org/10.1038/s41467-024-54375-y
找实验方法，上脑声常谈
欢迎加入
动物模型构建与行为评估交流群
扫码邀请入群
