EmbryoNet: применение глубокого обучения для связывания эмбриональных фенотипов с сигнальными путями

Эволюционно консервативные сигнальные пути имеют ключевое значение для раннего эмбриогенеза, а снижение или полное подавление их активности приводит к характерным нарушениям развития. Классификация фенотипических нарушений может выявить лежащие в их основе сигнальные механизмы, однако для этого требуются экспертные знания, а схемы классификации не были стандартизированы. В настоящей работе мы использовали подход машинного обучения для автоматизированного фенотипирования и обучили глубокую сверточную нейронную сеть EmbryoNet, способную точно и объективно выявлять сигнальных мутантов у Danio rerio. В сочетании с моделью времязависимых траекторий развития этот подход с высокой точностью выявляет и классифицирует фенотипические нарушения, вызванные потерей функции семи основных сигнальных путей, имеющих значение для развития позвоночных. Наши алгоритмы классификации имеют широкое применение в биологии развития и надежно выявляют дефекты сигнальных путей у эволюционно удаленных видов. Кроме того, используя автоматизированное фенотипирование при высокопроизводительном скрининге лекарственных препаратов, мы показали, что EmbryoNet позволяет установить механизмы действия фармацевтических веществ. В рамках этой работы мы предоставляем в открытый доступ более 2 миллионов изображений, использованных для обучения и тестирования EmbryoNet.