阅读笔记17：METAPHOR: Metabolic evaluation for mouse blastocysts and oocytes

题目：METAPHOR: Metabolic evaluation through phasor-based hyperspectral imaging and organelle recognition for mouse blastocysts and oocytes
作者：Albert Parraa,1, Denitza Denkovaa,1 ID , Xavier P. Burgos-Artizzua,b,1 ID , Ester Arocaa, Marc Casalsa ID , Amélie Godeaua, Miguel Aresa ID , Anna Ferrer-Vaquera ID , Ot Massafreta, Irene Oliver-Vilac, Enric Mestresd ID , Mònica Acaciod, Nuno Costa-Borgesd, Elena Rebolloe ID , Hsiao Ju Chiangf,g ID , Scott E. Fraserf,g,h, Francesco Cutralef,g ID , Anna Seriolaa,2,3 ID , and Samuel Ojosnegrosa,2,3
发表期刊：PNAS
发表时间：May 25, 2024

摘要解读

研究背景

体外受精的胚胎植入率和发育成功率较低，只有大约30%的胚胎能成功植入并发育到足月，导致需要多次移植周期。现有的评估方法主要使用明场成像，但这种方法提供的生理信息有限。

研究目标

为了缩短患者的怀孕时间并减少其压力，需要开发一种新的诊断工具，以更好地基于生理学特性选择胚胎和卵母细胞。

研究内容

介绍了一种名为METAPHOR的新技术，即通过矢量基相位超光谱成像和细胞器识别进行的代谢评估。这种无创、无标记的成像技术结合了双光子照明和人工智能，能够根据内源性自动荧光信号提供胚胎和卵母细胞的代谢特征。

研究结果

METAPHOR能够区分对照组与代谢物质耗尽的胚胎，ROC曲线下面积（AUC）达到93.7%，明显优于使用明场成像的人类评分（51%）。此外，METAPHOR还能够对年轻与老龄/体外老化的卵母细胞进行二分类，以及预测其囊胚化结果，相应的AUC分别为96.2%和82.2%。

研究意义

通过METAPHOR技术，基于黄素腺嘌呤二核苷酸信号（根据这个信号，确定了线粒体的大小可以作为marker？为什么？）的细胞器识别和分割显示，可以使用线粒体的大小和分布作为生物标志物来分类卵母细胞和胚胎。该方法的性能和安全性凸显了非侵入性代谢成像作为一种补充方法评估卵母细胞和胚胎的准确性和实用性。

引言解读

研究问题

不孕症是日益严重的健康问题，影响约七分之一的夫妇。体外受精（IVF）是解决不孕症的常用方法之一。

国内外研究现状

目前，体外受精的平均活产率在35岁以下的女性中为30%到35%，而在40岁以上的女性中则降至6%到10%。专业的胚胎学家通常使用基于形态学的明场显微镜图像来评估胚胎质量。

目前研究的局限

尽管目前的AI模型使用了时间延迟孵化器内置的明场显微镜生成的电影片段来训练，但由于明场成像提供的生理信息有限，这些AI模型的结果存在偏差。

本文的研究目标

开发一种新技术METAPHOR，使用无标记的成像方法来测量内源性代谢物的发射，避免使用可能有害的紫外光。

研究内容

METAPHOR技术结合了矢量分析和人工智能，能够在小鼠模型中对不同代谢压力或年龄相关变化的胚胎和卵母细胞进行分类。使用这种技术得到的结果超过了基于明场成像的人类评分，支持非侵入性代谢成像作为评估胚胎和卵母细胞的补充方法。

研究结果

原文：The normalized histogram integrates the spectra from all pixels in the 4D image, with the number and position of the peaks representing the probability with which the signal comes from each channel (SI Appendix, Fig. S3). The normalization effectively removes intrinsic variability due to sample size, resolution, laser intensity, and other potential experimental biases. To build the phasor, the spectrum at each pixel was normalized, Fourier transformed, and binned into a phasor plot (SI Appendix, Note 2) (31, 40). Pixels with similar spectra originating at different locations in the raw HS image are located in the same (or neighboring) pixels on the phasor plot. The radial coordinate relates to the width of the spectrum and the angular one to the color (43). Therefore, both the normalized histogram and the phasor plot are complementary representations of the embryo/oocyte’s metabolic fingerprint. The extracted features from both methods were fed into a supervised machine-learning classifier that was trained to discriminate embryos and oocytes in different metabolic states.
第一个段落详细描述了如何使用归一化直方图和相位图（phasor plot）来分析并表示一个四维（4D）图像中所有像素的光谱信息，并如何应用这些信息来训练机器学习分类器以区分不同代谢状态下的胚胎和卵母细胞。以下是对这一过程的详织解读：