人工智能（AI）的快速发展正在推动各领域发生变革。2024年，诺贝尔物理学奖和化学奖共同表彰了AI技术在复杂系统模拟和研究工具创新中的突破性贡献，这表明AI已成为驱动科学前沿发展的关键动力。在生物医学领域，深度学习在大规模数据分析和图像处理方面表现出了卓越的能力，为探索生命奥秘和开发创新疗法提供了全新的研究范式。线粒体是细胞生命活动的核心驱动力，其形态与功能之间的复杂关系在能量代谢、信号传导和细胞凋亡等过程中发挥着重要作用。近年来，线粒体形态学和功能的研究已成为揭示多种疾病发病机制的关键切入点。然而，由于线粒体动态且复杂的结构特性，人工测量和传统分析方法在精确性方面面临诸多挑战，特别是在处理高通量和异质性样本时更是缺乏有效策略。因此，如何量化线粒体形态与功能之间的关系仍是线粒体研究的一大挑战。在此背景下，开发一种高效精准的工具以全面分析线粒体的形态与功能间的关系具有重要的科学意义。正值2025年新春之际，西北工业大学黄维院士、李林教授、彭勃副教授团队开发了一种名为MoDL（Mitochondria Deep Learning）的深度学习算法，可实现高精度分割活细胞成像中的线粒体形态，并预测其功能。MoDL的整体框架设计以高效、精准、通用为核心目标，提供从图像到生物学功能的全流程解决方案。其核心工作流程包括三个主要功能（pipeline）：（1）线粒体图像的高质量分割、（2）形态特征驱动的功能预测、（3）跨细胞类型的功能预测能力。这项研究是线粒体形态与功能研究的突破性进展，为精准医学、细胞生物学研究及药物筛选提供了创新的工具和方法（图1）。图1. MoDL对线粒体形态和功能分析算法的主要框架。线粒体作为动态变化的细胞器，其复杂的形态特征和精细的结构细节对现有图像处理技术具有较大挑战。MoDL通过深度学习算法的创新设计，与其他算法相比，在分割精度、细节还原和通用性方面实现了显著提升。基于经典的U-Net架构，MoDL引入了残差网络（ResNet）和卷积注意力模块（CBAM），显著增强了模型对复杂图像关键特征的提取能力。在性能测试中，MoDL展现出世界领先的线粒体图形分割能力（图2）。基于MoDL的高质量分割结果，作者进一步提取了多种线粒体形态学特征，包括面积、周长、固体度、波形系数、分支长度和分支数量等，并成功实现了这些特征与线粒体功能指标的全面定量关联。MoDL的第二功能通过构建集成学习的功能预测框架，实现了线粒体形态与功能复杂关系的量化建模。该功能的核心是采用stacking算法，整合XGBoost、LightGBM和卷积神经网络（CNN）等不同类型的机器学习模型，将数值形态数据与高维图像特征相结合，构建稳定的功能预测系统。MoDL在预测线粒体关键功能方面表现出卓越性能，包括线粒体膜电位（MMP）去极化、ATP生成速率、活性氧（ROS）生成、线粒体自噬水平以及基础呼吸速率等五个核心指标（图3）。3. 基于小样本数据增强策略对异质细胞的线粒体功能预测MoDL的第三功能专注于探索其在非数据集、异质细胞类型中的应用潜力，揭示了线粒体功能与形态变化在肿瘤耐药中的关键作用。在顺铂耐药的细胞模型中，该研究团队利用MoDL发现顺铂敏感细胞和耐药细胞在线粒体适应机制上存在明显差异，表明线粒体通过形态调整以适应细胞代谢需求的变化。MoDL的另一优势体现在其处理异质性数据的能力上。通过小样本数据增强和对模型参数的微调，MoDL能够在仅有少量耐药细胞样本数据的情况下，精准预测功能变化，显著降低实验成本和数据需求（图4）。综上，该研究构建了一套高效、精准的线粒体形态与功能自动化分析工具，提供了具有高鲁棒性和通用性的线粒体图像分析工具包。在实际应用中，MoDL展现了对线粒体复杂结构的解析能力，并成功建立了形态与功能之间的量化映射，为药效分析和机制研究提供了有力支持。在通用性方面，MoDL通过小样本增强策略，展现了对异质性线粒体样本的预测能力，为深入探索肿瘤耐药机制和制定个性化治疗策略提供依据。这些结果表明，MoDL为药物筛选、疾病监控以及基础科学研究提供了可靠工具。相关成果以“Mitochondrial Segmentation and Function Prediction in Live-Cell Images with Deep Learning”为题发表在Nature Communications期刊上。西北工业大学柔性电子研究院博士生丁阳和李锦涛同学为该研究论文的共同第一作者，黄维院士、李林教授和彭勃副教授为本文共同通讯作者。该工作得到了（62288102、62475216、22077101)、陕西省重点研究开发项目（2024GH-ZDXM-37）、福建省自然科学基金（2024J01060）等项目经费的支持。
「BioMed科技」关注生物医药×化学材料交叉前沿研究进展！交流、合作，请添加杨主编微信！
Yang Ding#, Jintao Li#, Jiaxin Zhang, Panpan Li, Hua Bai, Bin Fang, Haixiao Fang, Kai Huang, Guangyu Wang, Cameron J. Nowell, Nicolas H. Voelcker, Bo Peng*, Lin Li*, Wei Huang*, Mitochondrial segmentation and function prediction in live-cell images with deep learning. Nature Communications, 2025, 16, 743.https://www.nature.com/articles/s41467-025-55825-x来源：课题组供稿
声明：仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！
