सी एलिगेंस के जीवनकाल और गतिशीलता के रूपात्मक भविष्यवाणियों के स्थानीयकरण के लिए एक अग्रानुक्रम विभाजन-वर्गीकरण दृष्टिकोण

कृपया संपर्क करेंoscar.xiao@wecistanche.comअधिक जानकारी के लिए

सार

सी. एलिगेंस उम्र बढ़ने पर आनुवंशिक और नशीली दवाओं के प्रभावों का अध्ययन करने के लिए एक स्थापित मॉडल जीव है, जिनमें से कई मनुष्यों में संरक्षित हैं। यह बुनियादी शोध के लिए भी एक आवश्यक मॉडल है, और सी. एलिगेंस पैथोलॉजी एक नया उभरता हुआ क्षेत्र है। यहां हम सेगमेंट सी एलिगेंस और एक्सट्रैक्ट फीचर्स के लिए एक प्रूफ-ऑफ-प्रिंसिपल कन्वेन्शनल न्यूरल नेटवर्क-आधारित प्लेटफॉर्म विकसित करते हैं जो जीवन काल की भविष्यवाणी के लिए उपयोगी हो सकते हैं। हम उनके पूरे जीवनकाल में ट्रैक किए गए 734 कृमियों के डेटासेट का उपयोग करते हैं और कृमियों को दीर्घकालिक और अल्पकालिक में वर्गीकृत करते हैं। हमने युवा वयस्क छवियों (दिन 1-दिन 3 पुराने वयस्कों) के आधार पर कृमि जीवन काल की भविष्यवाणी करने के लिए वर्मनेट- एक दृढ़ तंत्रिका नेटवर्क (सीएनएन) डिज़ाइन किया और दिखाया कि वर्मनेट, साथ ही इंसेप्शन वी3 सीएनएन सफलतापूर्वक जीवन काल को वर्गीकृत कर सकता है। यू-नेट आर्किटेक्चर के आधार पर हम हाइड्रानेट सीएनएन विकसित करते हैं जो कीड़े को पूर्वकाल, मध्य-शरीर और पश्च भागों में सटीक रूप से विभाजित करने की अनुमति देता है। हम जीवनकाल वर्गीकरण के लिए सबसे महत्वपूर्ण खंडों को निर्धारित करने के लिए हाइड्रानेट विभाजन, वर्मनेट भविष्यवाणी और वर्ग सक्रियण मानचित्र दृष्टिकोण को जोड़ते हैं। इस तरह के अग्रानुक्रम विभाजन-वर्गीकरण दृष्टिकोण से पता चलता है कि कृमि का पिछला भाग लंबे समय तक रहने वाले कृमियों को वर्गीकृत करने के लिए अधिक महत्वपूर्ण हो सकता है। हमारा दृष्टिकोण एंटी-एजिंग दवा की खोज में तेजी लाने और सी. एलिगेंस पैथोलॉजी के अध्ययन के लिए उपयोगी हो सकता है।

अधिक जानने के लिए कृपया यहां क्लिक करें

परिचय

नेमाटोड कैनोर्हाडाइटिस एलिगेंस (सी। एलिगेंस) उम्र बढ़ने की प्रक्रिया में विभिन्न हस्तक्षेपों का अध्ययन करने के लिए एक स्थापित मॉडल है, जिसने उम्र बढ़ने में हस्तक्षेप करने वाले कई जीन और दवाओं को खोजने की अनुमति दी। 7 में से 5 टियर 1 और 6 में से 4 टियर 2 एंटी-एजिंग ड्रग्स जिन्हें मानव परीक्षणों के लिए माना जाता है, सी। एलिगेंस मॉडल में जीवनकाल बढ़ाते हैं।सिस्टैंचप्रजातियों के बीच कई उम्र बढ़ने के रास्ते संरक्षित हैं और उम्मीद की जाती है कि न केवल लंबी उम्र के अनुसंधान में बल्कि एंटी-एजिंग उद्योग में भी कृमियों का बड़े पैमाने पर उपयोग किया जाएगा [1]। इसके अतिरिक्त, मानवकृत कीड़े अब न्यूरोडीजेनेरेशन [2] के लिए आशाजनक मॉडल स्थापित करने के लिए उपयोग किए जाते हैं। हालांकि, लंबी उम्र के आनुवंशिकी के विपरीत, उम्र बढ़ने के सी. एलिगेंस फेनोटाइप्स का अभी तक अच्छी तरह से अध्ययन नहीं किया गया है। विशेष रूप से, हम उम्र से संबंधित विकृतियों और उनके विकास के बारे में बहुत कम जानते हैं, साथ ही, कौन सी विकृति जीवन काल निर्धारित करती है और वे कैसे मृत्यु का कारण बनती हैं [3]। हाल ही में [4-6] आंत शोष, गर्भाशय ट्यूमर और ग्रसनी संक्रमण सहित कई विकृति का वर्णन किया गया था। इस प्रकाश में, नई सी. एलिगेंस विकृति की खोज, विशेष रूप से जीवन काल का निर्धारण, एक महत्वपूर्ण चुनौती बन रही है। सी. एलिगेंस में विकृति विज्ञान का अध्ययन उम्र बढ़ने की प्रक्रिया के साथ-साथ, एंटी-एजिंग दवाओं के तंत्र और प्रभावों की बेहतर समझ प्राप्त करने में मदद कर सकता है।

सिस्टैन्च एंटी-एजिंग कर सकता है

मशीन लर्निंग (एमएल) और डीप लर्निंग (डीएल) [7] में हालिया प्रगति बड़े प्रयोगात्मक डेटासेट में पहले के अनदेखे व्यवहार और रूपात्मक पैटर्न को उजागर और सारांशित करके सी. एलिगेंस को नियोजित करने वाले उम्र बढ़ने के अध्ययन में सहायता कर सकती है। उदाहरण के लिए, हाल के एक काम में कई शारीरिक मापदंडों को अनुदैर्ध्य रूप से मापा गया था और समर्थन वेक्टर प्रतिगमन के एक आवेदन ने सी। एलिगेंस के जीवनकाल में भिन्नता की विभिन्न मात्रा की व्याख्या करने की अनुमति दी: आंदोलन (57 प्रतिशत), क्रॉस-सेक्शनलऑटोफ्लोरेसेंस (52 प्रतिशत), ओओसीट बिछाने की दर (28 प्रतिशत) [8]। दिलचस्प बात यह है कि यह पाया गया कि ब्रूड का आकार संभोग उभयलिंगी (आर=0.28) [9] में जीवन काल से संबंधित है। इसके अलावा, स्वतंत्र अध्ययन इस बात की पुष्टि करते हैं कि मांसपेशियों का कार्य संभवतः सबसे अच्छी भविष्यवाणी करने वाली शारीरिक विशेषता है: तेज ग्रसनी पंपिंग स्पैन (आर =0 .49), और ग्रसनी पंपिंग स्पैन (आर =0 .83) पाए गए। जीवनकाल की लंबाई के साथ अत्यधिक सहसंबद्ध [10]। इसके अलावा, दिन 9 [11] में अधिकतम वेग और गति क्षय की दर (दिन 3-9) [12] तदनुसार जीवनकाल में 71 प्रतिशत और 91 प्रतिशत परिवर्तनशीलता का अनुमान लगाते हैं। सी. एलिगेंस के जीवनकाल की लंबाई के सेलुलर और आणविक भविष्यवक्ताओं की भी खोज की गई थी। एचएसपी की अभिव्यक्ति -16 .2 दिन में गर्मी के झटके से प्रेरित 1 वयस्कों को जीवन काल [13] के साथ सहसंबद्ध पाया गया। हीट शॉक, सॉड की बेसल अभिव्यक्ति -3 जैसे हस्तक्षेपों के भ्रमित प्रभावों से मुक्त दिन 9 पर भी जीवन काल (आर=0.57) के साथ सहसंबद्ध है, जो संभवतः रोगजनक भोजन [14] की प्रतिक्रिया को दर्शाता है। मीर -71 दिन 4 के बाद से अभिव्यक्ति अत्यधिक अनुमानित हो सकती है और जीवन काल में 47 प्रतिशत परिवर्तनशीलता की व्याख्या करती है [15]। आश्चर्यजनक रूप से, नाभिकीय आकार (दिन 1 पर मापा गया) और दीर्घायु के बीच एक मजबूत उलटा सहसंबंध (r =-0.93) उम्र बढ़ने के एक महत्वपूर्ण घटक के रूप में निष्क्रिय प्रोटीन संश्लेषण को इंगित करता है [16]। उल्लेखनीय है कि सी. एलिगेंस में उम्र बढ़ने के फेनोटाइप को वर्गीकृत करने के लिए मशीन विजन दृष्टिकोण पर जल्दी भी लागू किया गया था। विशेष रूप से, रैखिक विभेदक क्लासिफायर का उपयोग बाद के आणविक लक्षण वर्णन [17] के लिए अलग-अलग उम्र के ग्रसनी की छवियों को अलग करने के लिए किया गया था।

अन्य तरीकों में, सबसे शक्तिशाली मशीन सीखने के तरीकों में से एक, विशेष रूप से छवि विश्लेषण के लिए, दृढ़ तंत्रिका नेटवर्क (सीएनएन) [18] का उपयोग है, जो दृश्य प्रांतस्था तंत्रिका नेटवर्क संगठन से प्रेरित हैं। सीएनएन ने एमएनआईएसटी डेटासेट पर लगभग मानव प्रदर्शन के साथ छवि पहचान में प्रभावशाली परिणाम प्राप्त करने की अनुमति दी और दो [19] के कारक द्वारा यातायात संकेत पहचान पर बेहतर प्रदर्शन किया। छवि वर्गीकरण [20,21] में "द इमेजनेट लार्ज स्केल विजुअल रिकॉग्निशन चैलेंज" के दौरान सीएनएन ने बार-बार सर्वश्रेष्ठ प्रदर्शन दिखाया।कितना सिस्टैंच लेना हैCNN के लिए छोड़े गए कनेक्शन की शुरूआत ने उनकी गति और सटीकता में नाटकीय रूप से सुधार किया, और ऐसे अवशिष्ट CNN अब छवि वर्गीकरण के लिए अत्याधुनिक हैं [22, 23]। यू-नेट [24], वी-नेट, और तिरामिसु जैसे एनकोडर-डिकोडर अवशिष्ट नेटवर्क भी चिकित्सा छवि विभाजन क्षेत्र [25] में उपयोग की जाने वाली शास्त्रीय सीमा निष्कर्षण, सीमा और क्षेत्र-आधारित विधियों से बेहतर प्रदर्शन करते हैं। डीएल दृष्टिकोण के साथ प्रभावशाली परिणामों के बावजूद, मुख्य कमियों में से एक यह है कि डीएल नेटवर्क ब्लैक बॉक्स हैं इसलिए नेटवर्क द्वारा निर्णय लेने के लिए महत्वपूर्ण सुविधाओं को प्राप्त करना मुश्किल है [26]। इस कमी को दूर करने के लिए, कई प्रमुख तकनीकों का प्रस्ताव किया गया है [27-29]। ऐसी ही एक तकनीक तथाकथित क्लास एक्टिवेशन मैप (सीएएम) बनाने के लिए वैश्विक औसत पूलिंग परत का उपयोग कर रही है और एक असुरक्षित तरीके से वर्ग-विशिष्ट छवि क्षेत्रों को स्थानीयकृत कर रही है [30]। उत्पादित सामान्य स्थानीयकरण योग्य गहरी विशेषताएं सीएनएन द्वारा अपने कार्यों के लिए उपयोग किए जाने वाले भेदभाव के आधार को समझने में शोधकर्ताओं की सहायता कर सकती हैं। हालाँकि, अब तक, व्याख्या के माध्यम से फेनोटाइप खोज को सुविधाजनक बनाने के लिए जैविक रूप से सार्थक छवि विभाजन और वर्गीकरण सामर्थ्य को संयोजित करने के लिए कोई दृष्टिकोण विकसित नहीं किया गया है।

उल्लेखनीय रूप से, सीएनएन का उपयोग हाल ही में कीड़े में जीवन काल की भविष्यवाणी करने के लिए किया गया था। पहले पेपर में, सी. एलिगेंस की 913 छवियों के डेटासेट का उपयोग किया गया था। हर समय बिंदु (दिन) में कम से कम 30 कीड़े होते हैं, और उन सभी को इमेजिंग से पहले संवेदनाहारी किया गया था। इंसेप्शनResNetV2-आधारित आर्किटेक्चर ने प्रतिगमन मोड में 0.96 दिन की औसत निरपेक्ष त्रुटि (MAE) और वर्गीकरण मोड में 57.6 प्रतिशत की सटीकता हासिल की [31]। एक अन्य काम में, लेखकों ने एक स्वचालित इमेजिंग सिस्टम का इस्तेमाल किया जो पूरे जीवनकाल के दौरान एक ही कीड़ा को ट्रैक करने में सक्षम था, इसलिए उनके पास 734 कीड़े के लिए डेटा था जिसके लिए छवियों को हर 3.5 घंटे में लिया गया था। उन्होंने पृष्ठभूमि से कृमियों को खंडित करने के लिए यू-नेट का उपयोग किया और फिर वर्म बॉडी कोऑर्डिनेट रिग्रेशन को सीधा वर्म प्रतिनिधित्व बनाने के लिए किया। फिर उन्होंने एक संशोधित ResNet34 का उपयोग किया और कच्ची छवियों [32] के लिए 0.6 दिनों के न्यूनतम MAE के साथ कृमि की आयु को पुनः प्राप्त करने में कामयाब रहे।

यहां हमने [8, 32] के समान डेटासेट का उपयोग किया, हालांकि प्रत्येक कृमि की उम्र की भविष्यवाणी करने के बजाय, हम एक सीएनएन-आधारित प्लेटफॉर्म विकसित करते हैं जिसे हम वर्मनेट कहते हैं जो युवा वयस्कों (दिन 1-3) को अल्पकालिक में वर्गीकृत करने में सक्षम है। और लंबे समय तक जीवित रहे, और इस तरह के वर्गीकरण के लिए महत्वपूर्ण विशेषताओं को निकालने के लिए एक दृष्टिकोण भी तैयार किया। इसी तरह, हमने सी एलिगेंस आंदोलन को वर्गीकृत करने के लिए वर्मनेट लागू किया है। उप-डिज़ाइन फैशन में वर्गीकरण परिणामों की व्याख्या करने के लिए, हमने CNN को एक अग्रानुक्रम विभाजन CNN के साथ वर्गीकृत किया है। इसके लिए, हमने पृष्ठभूमि से कृमियों को विभाजित करने और कृमि के शरीर को पूर्वकाल, मध्य शरीर और पश्च भागों में विभाजित करने के लिए एक नया यू-नेट-आधारित आर्किटेक्चर (हाइड्रानेट) तैयार किया। वर्मनेट का उपयोग करके उत्पन्न हाइड्रानेट विभाजन और वर्ग सक्रियण मानचित्रों के संघ के माध्यम से वर्गीकरण परिणामों की व्याख्या प्राप्त की गई थी। इस तरह के अग्रानुक्रम फैशन में शरीर के अंग विभाजन के साथ संयुक्त रूप से वर्ग सक्रियण मानचित्र विश्लेषण ने हमें जीवन काल की भविष्यवाणी के लिए जिम्मेदार सुविधाओं को निकालने की अनुमति दी। अंत में, सी. एलिगेंस छवियों के एक उच्च रिज़ॉल्यूशन खंडित संस्करण का उपयोग करते हुए, हमने मैन्युअल व्याख्या के साथ एक उच्च अभिव्यंजक क्षमता अवशिष्ट CNN InceptionV3 में अपने परिणामों को सत्यापित किया।

परिणाम

वयस्कता के दिन 1 से मृत्यु तक कैप्चर किए गए 734 C. एलिगेंस के समय चूक डेटा का उपयोग हमारे प्रोटोटाइप प्लेटफॉर्म [8,15] को विकसित करने के लिए किया गया था। इन छवियों की स्वचालित व्याख्या के लिए एक दृष्टिकोण विकसित करने के लिए हमने कीड़े को उनकी पृष्ठभूमि से विभाजित करने की समस्या को संबोधित किया, साथ ही साथ कीड़े के रूपात्मक भागों (चित्रा 1) को अलग किया। इसके लिए, हमने मैन्युअल रूप से वयस्क कृमियों की 13 0 छवियों को पूर्वकाल, मध्य-शरीर, कृमि के पीछे के हिस्सों के लिए मास्क के साथ और कुल वर्म मास्क (चित्र 1F-1H) तक के लिए एनोटेट किया है। इस डेटासेट को तब ट्रेन (90) और टेस्ट (40) में विभाजित किया गया था, जो एक व्यक्तिगत कृमि के डेटासेट आईडी के आधार पर भिन्न होता है ताकि यह सुनिश्चित किया जा सके कि व्यक्तिगत वर्म सुविधाएँ टेस्ट होल्ड में लीक न हों- बाहर। सबसे पहले, कुल कृमि विभाजन समस्या को हल करने के लिए हमने यू-नेट [24] के समान एक अपेक्षाकृत उथली वास्तुकला का निर्माण किया है, जो द्विआधारी वर्गीकरण के लिए सिग्मॉइड हेड के साथ है। स्पष्टता के लिए, यू-नेट के एन्कोडिंग और डिकोडिंग भागों को चित्र lA पर a और के रूप में दिखाया गया है। कम्प्यूटेशनल दक्षता के लिए कच्ची छवियों को 96 × 96 पिक्सेल तक बढ़ाया गया था। हमने डाइस लॉस फंक्शन का इस्तेमाल किया और सेगमेंटेशन क्वालिटी का आकलन करने के लिए जैकार्ड इंडेक्स की निगरानी की। इस अपेक्षाकृत सरल विभाजन समस्या पर जेकार्ड इंडेक्स ट्रेन और टेस्ट फ्रैक्शंस दोनों पर 0.97 पर पहुंच गया (चित्र 1ए, 1बी, विस्तृत हाइपरपैरामीटर के लिए सामग्री और तरीके देखें)। अगला, सी. एलिगेंस के अलग-अलग शरीर के अंगों के विभाजन के लिए इस दृष्टिकोण का विस्तार करने के लिए हमने एक-गर्म एन्कोडेड मास्क और समान यू-नेट-जैसी वास्तुकला (चित्रा 1C, 11) के साथ एक बहु-वर्ग विभाजन के रूप में समस्या को सुधार दिया है। अप्रत्याशित रूप से, चूंकि एक बहु-श्रेणी वर्गीकरण एक कठिन समस्या है, इसने ट्रेन और परीक्षण अंश पर क्रमशः 0.92 और 0.91 जैकार्ड इंडेक्स का खराब प्रदर्शन किया, जो हल्के ओवरफिट का सुझाव देता है।

उल्लेखनीय रूप से, मल्टी-क्लास यू-नेट का एक पहलू अच्छा प्रदर्शन नहीं कर रहा था, जो कृमि के पूर्वकाल और पीछे के हिस्सों को अलग कर रहा था, जिसके कारण ओवरलैपिंग मास्क (चित्र lI) उत्पन्न हुआ। इस सीमा को दरकिनार करने के लिए, हमने यू-नेट ए और भागों का उपयोग करते हुए एक वैकल्पिक आर्किटेक्चर तैयार किया है, जिसमें प्रत्येक को अपनी बाइनरी सेगमेंटेशन समस्या (चित्रा 1डी, 1ई) के लिए कई भागों को समर्पित किया गया है, जिसे हम हाइड्रानेट कहते हैं। इस तरह का दृष्टिकोण सामान्य इनपुट परतों और वर्म के प्रत्येक रूपात्मक भागों के लिए समर्पित परतों के साथ एक संयुक्त रूप से प्रशिक्षित वास्तुकला बनाता है, जिससे एक सरल बाइनरी वर्गीकरण समस्या को हल करते हुए एक एंड-टू-एंड मॉडल की अनुमति मिलती है। हाइड्रानेट3 कृमि शरीर के पूर्वकाल, मध्य-शरीर और पीछे के हिस्सों को समर्पित 3 भागों से सुसज्जित था। हाइड्रानेट4, बदले में, 4 भागों से सुसज्जित था जो पूर्वकाल, मध्य-शरीर, पश्च भाग के साथ-साथ पूरे कृमि शरीर को समर्पित थे। हाइड्रानेट के संयुक्त प्रदर्शन का अनुमान लगाने के लिए हमने व्यक्तिगत रूप से प्रत्येक भाग के लिए जैककार्ड इंडेक्स को मापा और अंत में औसत जैकार्ड इंडेक्स का मूल्यांकन किया। उल्लेखनीय रूप से, हाइड्रानेट3 और हाइड्रानेट4 दोनों ने अच्छे सामान्यीकरण (चित्र 1डी, आईई, 1जे, 1के) का प्रदर्शन करते हुए ट्रेन और परीक्षण अंशों दोनों पर औसत जैककार्ड इंडेक्स 0.97 हासिल किया। उल्लेखनीय रूप से, हाइड्रानेट4 ने हाइड्रानेट3 (चित्र 1डी, आईई इनसेट) की तुलना में पहले रूपांतरण हासिल किया, जो कि अधिक सामान्य अर्थ वर्ग के साथ वास्तुकला के साथ संभावित सकारात्मक प्रभाव का सुझाव देता है।

इसके बाद, सी. एलिगेंस आंदोलन या जीवन काल के लिए क्लासिफायर प्राप्त करने के लिए, हम सभी 734 वर्म को 2 कुल संचलन राशि वर्गों में विभाजित करते हैं: निम्न या उच्च गति का अनुमान जीवन-काल के दौरान क्रॉल की गई औसत दूरी से ऊपर या नीचे गतिशीलता के रूप में लगाया जाता है; और 2 जीवनकाल वर्ग: 'अल्पकालिक' जीवनकाल 7 दिन या उससे कम, और 'दीर्घजीवी' जीवनकाल 8 दिन या उससे अधिक के साथ। कार्य दिन l, दिन 2 या दिन 3 छवियों के आधार पर कक्षाओं की भविष्यवाणी करना था। चूंकि डेटासेट अपेक्षाकृत छोटा है, इसलिए उच्च अभिव्यंजक क्षमता वाले आर्किटेक्चर के उपयोग से ओवरफिटिंग हो सकती है। इसलिए, हमने अपेक्षाकृत उथले सीएनएन को डिजाइन किया जिसे हम वर्मनेट कहते हैं। इस वास्तुकला में 5 दृढ़ परतें शामिल हैं, प्रत्येक के बाद अधिकतम पूलिंग परत होती है। सामान्यीकरण में सुधार के लिए तंत्रिका नेटवर्क में प्रत्येक दृढ़ परत के लिए ड्रॉपआउट और बैच सामान्यीकरण लागू किया गया था।एक सिस्टैंच क्या है?अंतिम अधिकतम पूलिंग परत चपटी थी और पूरी तरह से जुड़ी हुई परत से जुड़ी हुई थी और उसके बाद सॉफ्टमैक्स परत थी। हमने बाइनरी क्रॉस-एन्ट्रॉपी का उपयोग हानि फ़ंक्शन के रूप में किया था। बाद वाले को छोड़कर सभी परतों ने एक सक्रिय रैखिक इकाई (ReLU) को एक सक्रियण फ़ंक्शन के रूप में उपयोग किया (चित्र 2क, विस्तृत हाइपरपैरामीटर के लिए सामग्री और तरीके देखें)। वर्मनेट का उपयोग गति और जीवनकाल क्लासिफायर (आंकड़े 2 और 3) दोनों को प्राप्त करने के लिए किया गया था। संभावित ओवरफिटिंग को और कम करने के लिए, हमने केरस छवि जनरेटर का उपयोग करके एक 30-फ़ोल्ड डेटा वृद्धि का प्रदर्शन किया। विशेष रूप से, छवियों को यादृच्छिक क्षैतिज और लंबवत फ़्लिपिंग, क्षैतिज और लंबवत बदलाव के अधीन 10 प्रतिशत सीमा के साथ-साथ मूल की 90 डिग्री सीमा के भीतर यादृच्छिक घूर्णन के अधीन किया जाता है। रूपांतरित छवियों में रिक्त स्थान निकटतम मूल्य रणनीति का उपयोग करके भरे गए थे।

वर्मनेट ने 88 प्रतिशत सटीकता (परिशुद्धता 0.86, रिकॉल 0.86, रिसीवर ऑपरेटिंग विशेषता के लिए वक्र के तहत क्षेत्र - एयूसी आरओसी) तक पहुंचने वाले कुल संचलन वर्गीकरण पर अच्छा प्रदर्शन दिखाया। - दिन के 3 वयस्क अंश के परीक्षण डेटासेट पर 0.56) था। दिन 1 और दिन 2 छवियों के लिए प्रदर्शन थोड़ा कम था (चित्र 2बी-2डी) आरओसी एयूसी के साथ क्रमशः 0.51 और 0.55। यह सुनिश्चित करने के लिए कि हमारी भविष्यवाणी ज्यादातर कृमि आकारिकी से प्रभावित होती है, न कि इसके परिवेश से, हमने सिंथेटिक पृष्ठभूमि छवियों का एक डेटासेट तैयार किया है जहां सी। एलिगेंस को विभाजन के माध्यम से हटा दिया गया था। प्रशिक्षण पर कृमि सिल्हूट प्रभाव को कम करने के लिए, हमने शेष शून्य पिक्सेल को यादृच्छिक शोर (पूरक चित्रा 1) से भर दिया है। हमारे परिणामों ने सुझाव दिया कि मॉडल के प्रदर्शन को मुख्य रूप से छवियों की पृष्ठभूमि के बजाय सी। एलिगेंस आकारिकी के लिए जिम्मेदार ठहराया गया है। यह आकलन करने के लिए कि वर्मनेट निर्णय लेने के लिए शरीर का कौन सा अंग जिम्मेदार हो सकता है, हमारे अग्रानुक्रम विभाजन-वर्गीकरण दृष्टिकोण का उपयोग करते हुए हमने निम्न गति वर्ग के कृमि (चित्र 2E,2F) और एक उच्च गति वाले कृमि (चित्र 2G, 2H) के लिए CAM प्राप्त किए हैं। वर्मनेट।bioflavonoidsइसके बाद, प्रत्येक छवि को हाइड्रानेट4 का उपयोग करके खंडित किया गया और हाइड्रानेट4 से रूपात्मक भाग विभाजन के साथ वर्मनेट ऊपरी चतुर्थक सीएएम का संघ प्राप्त किया गया। व्याख्या के उद्देश्यों के लिए, हमने उच्च या निम्न गति वर्ग से संबंधित प्रत्येक संबंधित कृमि के लिए संबंधित रूपात्मक खंड से संबंधित सीएएम के प्रतिशत की गणना की है। इसके अलावा, हमने तुकी के ईमानदार महत्वपूर्ण अंतर (एचएसडी) सुधार (चित्रा 2एफ-कम आंदोलन कीड़े, चित्रा 2एच-उच्च आंदोलन कीड़े) के साथ एकतरफा एनोवा का उपयोग करके इस उप-डिजाइन व्याख्या के महत्व का आकलन किया। तुलना ने सुझाव दिया कि पूर्वकाल भाग मध्य-शरीर (34 प्रतिशत) की तुलना में काफी कम (31 प्रतिशत) और निम्न और उच्च-गति वाले कीड़े दोनों के लिए पीछे के हिस्सों (34 प्रतिशत) को कवर किया गया था। मध्य शरीर और शरीर के पिछले हिस्से में कोई महत्वपूर्ण अंतर नहीं था।

इसके बाद, हमने वर्मनेट का उपयोग लंबे और अल्पकालिक कृमियों को वर्गीकृत करने के लिए किया। इसी तरह आंदोलन वर्गीकरण के लिए, वर्मनेट ने 72 प्रतिशत (सटीक 0.73, रिकॉल 0.71, AUC ROC 0.61) की सटीकता तक पहुंचने वाले दिन 3 वयस्कों के नमूने पर बेहतर प्रदर्शन किया। परीक्षण डेटासेट, क्रमशः दिन 2 और 1 के लिए 0.53 और 0.52 के एयूसी आरओसी की तुलना में।सिस्टैंच खरीदेंभ्रम मैट्रिक्स विश्लेषण ने सुझाव दिया कि CNN ने अल्पकालिक कृमियों के वर्गीकरण में कम प्रदर्शन किया (चित्र 3ए-3सी)। इसके बाद, हमने एकतरफा एनोवा सांख्यिकीय परीक्षण के साथ हाइड्रानेट4 और वर्मनेट के अग्रानुक्रम का उपयोग करके क्लासिफायरियर की व्याख्या की है। जीवन काल के वर्गीकरण के मामले में, उप-डिजाइन व्याख्या ने सुझाव दिया कि 32 प्रतिशत पर पूर्वकाल भाग मध्य-शरीर और पश्च भाग की तुलना में CAMs में काफी कम स्पष्ट था (चित्र 3डी, 3ई-लघु जीवनकाल, चित्र 3एफ, 3जी-लंबा जीवनकाल)। यह अंतर छोटी उम्र की तुलना में लंबी उम्र के लिए कम महत्वपूर्ण था। मध्य शरीर और पश्च भाग के बीच कोई महत्वपूर्ण अंतर नहीं था।

इन निष्कर्षों को एक स्वतंत्र तरीके से सत्यापित करने के लिए हमने अवशिष्ट इंसेप्शन V3 आर्किटेक्चर [3] का उपयोग करके मैन्युअल व्याख्या (चित्र 4) के साथ एक अन्य लाइफ क्लासिफायरियर को प्रशिक्षित किया है। इसके अलावा, इस मामले में 96×96 पिक्सल तक स्केलिंग के बजाय सीएएम के उच्च रिज़ॉल्यूशन को सुनिश्चित करने के लिए, पूर्ण रिज़ॉल्यूशन 900×900 छवियों को 800×800 पिक्सल（516×516 माइक्रोन） तक क्रॉप किया गया था। बहुत अधिक अभिव्यंजक क्षमता CNN के रूप में, InceptionV3 हमारे अपेक्षाकृत छोटे डेटासेट (चित्र 4C, 4D) पर ओवरफिटिंग के लिए प्रवृत्त था। इससे बचने के लिए हमने ट्रेनिंग के दौरान अर्ली स्टॉपिंग को लागू किया है। इसके अतिरिक्त, हमने कीड़ों को उनकी पृष्ठभूमि से खंडित किया है, यह सुनिश्चित करते हुए कि इंसेप्शनV3 केवल छवि के प्रासंगिक भाग के साथ प्रस्तुत किया गया है। इंसेप्शन वी3 ने वर्मनेट के समान ही प्रदर्शन किया और जीवन काल वर्गीकरण के लिए परीक्षण डेटासेट पर सटीकता 70 प्रतिशत तक पहुंच गई (चित्र 4ए)। अग्रानुक्रम हाइड्रानेट4-व्याख्या के लिए वर्मनेट दृष्टिकोण के अनुरूप, मैनुअल व्याख्या के मामले में, कृमि के पूर्वकाल भाग को इंसेप्शनV3 CAM द्वारा कम बार उजागर किया गया था। महत्वपूर्ण रूप से, हालांकि, इनपुट छवियों के उच्च रिज़ॉल्यूशन के कारण, CAMs ने अब शरीर के अंगों को बेहतर तरीके से स्थानीयकृत किया है, जिससे प्रत्येक मामले में एक संभावित विवेचक के रूप में शरीर के अंग को असाइन करने की अनुमति मिलती है (चित्र 4B)। दिलचस्प बात यह है कि सीएएम के विश्लेषण द्वारा हाइलाइट किए गए शरीर के अंगों के वितरण से पता चलता है कि लंबे समय तक रहने वाले कृमियों के वर्गीकरण के लिए पीछे का हिस्सा अधिक महत्वपूर्ण है, यह सुझाव देता है कि दीर्घायु की भविष्यवाणी करने वाली विशेषताएं कृमि शरीर के पीछे के हिस्से में स्थित हो सकती हैं।

बहस

सी. एलिगेंस उम्र बढ़ने के अनुसंधान में एक शास्त्रीय मॉडल होने के बावजूद 4000 से अधिक पत्र प्रकाशित हुए हैं, और रोबोटिक्स में प्रगति, सी. एलिगेंस के जीवनकाल को मापने की प्रक्रिया अभी भी मैनुअल और श्रमसाध्य है। हालांकि, प्लेट्स पर कीड़े की एक बड़ी आबादी की व्यवहार्यता का आकलन करने के लिए फ्लैटबेड स्कैनर का उपयोग करने वाली लाइफटाइम मशीन की तरह नए दृष्टिकोण उभर रहे हैं [34]। एक अन्य दृष्टिकोण वर्म कोरल है-एक स्वचालित वर्मीकल्चर विधि है जो कीड़े को उनके पूरे जीवनकाल में बेहतर विस्तृत माप के साथ ट्रैक करने की अनुमति देती है [8]। वर्म कोरल पर तैयार किए गए विस्तृत शारीरिक डेटा से पता चला है कि गति, ऑटोफ्लोरेसेंस और टेक्सचरल डिग्रेडेशन जीवन काल के सबसे अच्छे भविष्यवक्ता हैं। हालांकि, यह स्पष्ट नहीं है कि कौन सी सटीक रूपात्मक विशेषताएं विकृति को दर्शाती हैं और जीवनकाल की लंबाई निर्धारित करती हैं। यह भी पाया गया कि वयस्कता के दिन 3 या 4 से पहले शारीरिक माप और एकल GFP लेबल वाले बायोमार्कर छोटे और लंबे समय तक रहने वाले कीड़े [8,15] में अंतर नहीं कर सकते। दिन l वयस्कों पर किए गए न्यूक्लियर-आधारित भविष्यवाणियां फिक्स्ड वर्म्स पर 100 × आवर्धन का उपयोग करके की जाती हैं, जो किसी भी स्वचालित स्क्रीनिंग प्लेटफॉर्म के लिए प्राप्त करने योग्य नहीं है।

यहां हमने पिंकस लैब [8,15] में उत्पन्न डेटासेट के साथ काम किया, और दिखाया कि नए डिज़ाइन किए गए वर्मनेट का अनुप्रयोग पहले या दिन 2 में ली गई छवियों के लिए भी छोटे और लंबे समय तक रहने वाले कृमियों के बीच सफलतापूर्वक भेदभाव करने में सक्षम था; महत्वपूर्ण रूप से, तीसरे दिन सीएनएन ने सर्वश्रेष्ठ प्रदर्शन (चित्र 2क-2सी) का प्रदर्शन किया। वर्मनेट उच्च और निम्न कुल गति वाले वर्मों को वर्गीकृत करने में और भी बेहतर था, दिन 1 वयस्कों के लिए 88 प्रतिशत सटीकता प्राप्त करना (चित्र 3)। हम उम्मीद करते हैं कि अधिक डेटा उत्पन्न करें और सीएनएन के विकास के जीवनकाल की भविष्यवाणी करें [32]। जैसा कि पहले उल्लेख किया गया है, लेखकों ने कृमियों को खंडित किया और सीधे कृमि अभ्यावेदन बनाए, जिनका उपयोग सीएनएन प्रशिक्षण [32] के लिए किया गया था। नमूनों की संख्या बढ़ने से कृमि आयु के प्रतिगमन-आधारित पूर्वानुमान में सुधार हुआ। दिलचस्प बात यह है कि लेखकों ने अकेले टी सिल्हूट पाया है जो उम्र के अनुमान के लिए कीड़ा जानकारी है, जबकि सूचना पृष्ठभूमि से काफी सटीकता में सुधार हो सकता है, हालांकि पृष्ठभूमि का अनुमानित मूल्य प्रयोगात्मक स्थितियों का एक आर्टिफैक्ट है। इसलिए, यह संभव हो सकता है कि हमारे सिमुलेशन में वर्मनेट की भविष्यवाणी की सटीकता को आंशिक रूप से पृष्ठभूमि की जानकारी द्वारा समझाया जा सकता है। हालांकि, जैसा कि हमारे प्रयोगों से पता चलता है (पूरक चित्रा 1), वर्मनेट का प्रदर्शन ज्यादातर छवियों की पृष्ठभूमि के बजाय सी। एलिगेंस आकारिकी पर निर्भर करता है। महत्वपूर्ण रूप से, [32] में शरीर-समन्वय अभ्यावेदन पर दिखावा करने से कच्ची छवियों पर सटीकता में सुधार होता है जो बताता है कि कृमि अंग और बनावट उम्र की भविष्यवाणी के लिए उपयोगी हैं।

युवा वयस्कों की छवियों के आधार पर जीवनकाल या आंदोलन वर्गीकरण के अलावा, हमने भविष्यवाणी के लिए महत्वपूर्ण विशेषताओं को खोजने का भी लक्ष्य रखा है। एक प्रोटोटाइप कार्य के रूप में हमने यह निर्धारित करने का निर्णय लिया कि शरीर के किस भाग-पूर्वकाल, मध्य-शरीर या पश्च भाग में जीवनकाल की लंबाई को सबसे अधिक प्रभावित करने वाली विशेषताएं हैं। हमने हाइड्रानेट 3 और 4, यू-नेट पर आधारित नए आर्किटेक्चर तैयार किए और दिखाया कि वे सही जैकार्ड इंडेक्स वैल्यू प्राप्त करने वाले कृमि शरीर के अंगों को सफलतापूर्वक विभाजित कर सकते हैं। महत्वपूर्ण रूप से, एक उप-डिज़ाइन व्याख्या दृष्टिकोण विकसित करने के लिए हमने जैविक रूप से सार्थक वर्गीकरण (जीवनकाल और गति) के एक अग्रानुक्रम को नियोजित किया, जो वर्ग सक्रियण मानचित्रों [30, 35] और रूपात्मक विभाजन (पूर्वकाल, मध्य-शरीर और पीछे के क्षेत्रों) के माध्यम से प्रमुखता प्रदान करता है। शरीर का अंग वर्गीकरण के लिए उपयोगी है। इसके अलावा, हालांकि कम हल किया गया, अग्रानुक्रम दृष्टिकोण से प्राप्त निष्कर्ष एक स्वतंत्र रूप से प्रशिक्षित क्लासिफायरियर के अनुरूप थे। यह बाइनरी क्लासिफायरियर InveptionV3 CNN पर आधारित था। इसे 800 × 800 पिक्सेल पूर्ण ऑप्टिकल रिज़ॉल्यूशन छवियों पर उनकी पृष्ठभूमि से खंडित कीड़ों के साथ प्रशिक्षित किया गया था और वर्मनेट के तुलनीय परिणाम प्राप्त किए, हालांकि अधिक ओवरफिटिंग (चित्रा 4) के कारण मॉडल कम सामान्य है। हालांकि, इंसेप्शन वी3 के मामले में, शरीर के अलग-अलग हिस्सों को सीएएम पर स्थानीयकृत किया जा सकता है, और विश्लेषण बताते हैं कि कृमि के पीछे के हिस्से में स्थित विशेषताएं लंबे समय तक रहने वाले कृमियों को वर्गीकृत करने के लिए अधिक महत्वपूर्ण हो सकती हैं। यह दृष्टिकोण सी. एलिगेंस में एक स्वचालित सेटिंग में नए महत्वपूर्ण आयु बायोमार्कर की खोज के लिए एक अवसर प्रदान करता है, छवि संकल्प में उल्लेखनीय वृद्धि और शरीर-समन्वय प्रतिनिधित्व के उपयोग को देखते हुए। ग्रसनी या जीएफपी-लेबल वाली संस्थाओं जैसे गैर-लेबल वाले अंगों को हाइड्रानेट्स का उपयोग करके खंडित किया जा सकता है और सीएएम दृष्टिकोण और वर्मनेट का उपयोग करके उनके जीवनकाल की भविष्यवाणी करने की क्षमता का आकलन किया जा सकता है। यह अनुमान लगाना आकर्षक है कि जनरेटिव प्रतिकूल नेटवर्क [36] के समान, विभाजन और वर्गीकरण के अग्रानुक्रम के माध्यम से उप-डिज़ाइन व्याख्या के भविष्य के कार्यान्वयन को एंड-टू-एंड प्रशिक्षित किया जा सकता है और नियमित वैज्ञानिक खोज के लिए नियोजित किया जा सकता है। प्रूफ-ऑफ-सिद्धांत स्वचालित विश्लेषणात्मक प्लेटफ़ॉर्म गैर-आक्रामक उम्र बढ़ने वाले बायोमार्कर खोज के लिए उपयोगी होगा, विशेष रूप से युवा दिन 1-3 वयस्क सी। एलिगेंस में। इसमें एंटी-एजिंग दवाओं के लिए फार्मास्युटिकल स्क्रीनिंग में तेजी लाने की काफी संभावनाएं हैं। बुनियादी उम्र बढ़ने के अनुसंधान के लिए महत्वपूर्ण सी। एलिगेंस में नई विकृति को खोजने और चिह्नित करने के लिए कार्यप्रणाली का विकास भी सहायक होगा। कोड को अनुसंधान समुदाय को उपलब्ध कराने के लिए हमने जमा किया है।

यह लेख www.aging-us.com एजिंग 2022, वॉल्यूम से निकाला गया है। 14, नंबर 4