线粒体的形态和功能密切相关，这表明可以通过分析活细胞成像中的形态特征来预测功能。

在此，西北工业大学黄维院士，李林教授和彭勃副教授等人引入了一种名为MoDL的深度学习算法，用于线粒体图像分割和功能预测。MoDL在包含2万个来自超分辨率（SR）图像的手动标记线粒体的数据集上进行训练，实现了卓越的分割精度，从而能够进行全面的形态分析。同时，MoDL通过采用集成学习策略来预测线粒体功能，这一策略得到了超过10万张SR图像的扩展训练数据集的支持，每张图像都标注了来自生化实验的功能数据。通过利用这一大型数据集以及数据微调和再训练，MoDL展示了其通过小样本训练精确预测未见细胞类型中异质线粒体功能的能力。本文的结果突出了MoDL在显著影响线粒体研究和药物发现方面的潜力，展示了其在探索线粒体形态和功能之间复杂关系方面的实用性，涵盖了广泛的生物学背景。

相关文章以“Mitochondrial segmentation and function prediction in live-cell images with deep learning”为题发表在Nature Communications上。这也是黄维院士在2025年发表的第二篇Nat. Commun.！

由平面且刚性的芳香单元组成的完全π共轭聚合物展现出卓越的光电子性能，是印刷和柔性光电子设备的有前景的候选材料。然而，由于其固有的咖啡环效应和脆性，获得具有出色固有柔韧性和可印刷性的高性能共轭聚合物是一个巨大挑战。

2025年1月2日，南京工业大学黄维院士和林进义教授等人报道了一种非对称取代策略，以改善具有强聚集体间毛细管相互作用的深蓝色发光共轭聚合物的可印刷性和可拉伸性，用于柔性印刷聚合物发光二极管。非对称共轭聚合物链在前驱印刷墨水中的松散棒状堆叠，使其更容易提高喷墨印刷膜的固有拉伸性。更有趣的是，共轭聚合物链的各向异性棒状聚集体也诱导了强烈的毛细管相互作用，并进一步抑制了咖啡环效应，这更有可能在印刷过程中实现均匀沉积并形成均匀的印刷膜。

线粒体是细胞内必不可少的细胞器，在能量产生、物质代谢和细胞凋亡中发挥着关键作用。线粒体形态与功能之间的相互作用是细胞生物能量学的关键方面。线粒体的形状和结构并非静止不变，而是会根据细胞的代谢需求和应激信号发生变化。这些形态变化不仅仅是细胞状态的结果，还积极地促进了线粒体的功能（即形态功能）。例如，延长的线粒体网络在三磷酸腺苷（ATP）产生方面效率很高，与高能量状态相关，而碎片化的线粒体通常出现在正在进行线粒体自噬的细胞中。理解这种关系对于解开细胞功能和功能障碍的复杂性至关重要。然而，识别线粒体复杂的网络结构以及量化形态特征一直是个挑战。

荧光成像技术已被证明是研究线粒体形态的有效手段，能够在无需细胞固定的情况下实时可视化形状、位置和数量等信息。然而，手动分析线粒体形态仍然是一项劳动密集型工作，需要大量的专业知识。因此，提供一种高效便捷的方法来帮助研究人员量化和自动化分析线粒体形态至关重要。基于图像分割的线粒体形态高效测量方法已经建立。基于阈值的方法已成为自动化量化各种形态特征的优秀且用户友好的选择。然而，这些方法通常难以实现复杂线粒体轮廓的平滑和连续分割。利用深度学习方法对目标图像进行分割以及在分析前定义形态边界显示出潜力。然而，收集具有代表性的真值训练数据的挑战，加上线粒体直径接近光学衍射分辨率极限（约200纳米），常常导致基于深度学习的模型在分割的特征提取方面表现不佳。

为了在活细胞图像中实现精确的线粒体分割和功能预测，本文开发了基于深度学习的软件包MoDL。MoDL具有三个关键流程：（1）在超过2万个来自超分辨率图像的手动标记线粒体上进行训练，MoDL能够高精度地从活细胞荧光图像中分割线粒体轮廓。该框架在描绘线粒体形态特征方面优于现有方法，并且能够适应多种成像平台和细胞类型（图1a）；（2）基于高质量的分割和形态特征，MoDL可以通过采用集成学习算法准确预测各种线粒体功能。这一流程由一个扩展的数据集支持，该数据集包含超过10万张超分辨率图像，每张图像都标注了通过生化实验获得的相应功能数据（图1b）；（3）MoDL展示了通过小样本训练精确预测未见细胞类型中线粒体功能的能力。通过一种具有异常线粒体形态特征模式的耐药癌细胞系，进一步验证了MoDL的稳健性和泛化能力（图1c）。

图1：MoDL的精确线粒体形态学分析策略。

线粒体图像高质量分割

为了有效提取更深层的图像特征，并缓解梯度消失和爆炸的问题，作者在U-Net的每个卷积层之后引入了残差网络（ResNets）。为了防止由于架构深度增加而导致的跳跃连接跨度增加，在框架的最外层跳跃连接之后引入了卷积块注意力模块（CBAM）。这一增强使模型能够关注来自广泛特征图的关键信息，涵盖空间和通道维度。对于空间注意力，全局平均池化和最大池化的特征图被合并并通过卷积层处理，以产生空间注意力图。对于通道注意力，对每个通道应用全局平均池化和最大池化，得到的描述符通过全连接层转换以获得注意力权重。这些机制有助于增强重要特征并抑制不太重要的特征，从而避免在最外层跳跃连接中拼接最大空间尺寸特征时可能出现的错误。

同时，对于定量评估，本文采用了包括Dice系数、平均交并比（mIoU）和像素精度（PA）在内的综合指标，以及提取的形态特征（平均面积、形状因子和分支长度）。结果显示，使用超分辨率数据集重新训练提高了其他基于深度学习的算法的性能。然而，MoDL（Dice、mIoU、PA分别为0.92、0.84、0.95）仍然显著优于它们（图2b）。随后，为了可视化MoDL分割，通过将原始堆叠与掩模相乘，生成了一个反映每个线粒体荧光强度的伪彩色图像（图2c）。

图2：高质量和准确的线粒体荧光图像分割。

为了进一步直观地描绘和定量评估不同状态下线粒体形态的变化，作者对不同浓度CCCP处理的细胞进行了成像和MoDL分割（图3a、b）。然而，由于线粒体形态的复杂性和多样性，仅通过视觉观察或手动分析每个单独的线粒体来连接线粒体功能是具有挑战性的。因此，基于MoDL分割结果，为每个线粒体提取了31个形态特征和超过100个定量指标（包括每个图像的平均值、中位数和标准差），提供了一套比当前算法更广泛的指标。为了进一步确认CCCP引入的线粒体功能障碍，通过一系列生化实验进行了全面评估，包括线粒体膜电位（MMP）极化、ATP生成、活性氧（ROS）产生、线粒体自噬水平和呼吸率（图3d）。随后，作者分析了与线粒体动态和生物合成相关的基因表达变化。结果显示，在CCCP处理后，融合和生物合成相关基因被下调，而分裂和线粒体自噬相关基因被上调（图3e）。这些结果强烈表明线粒体形态是线粒体功能的一个标志。更重要的是，MoDL揭示了与线粒体功能紧密相连的复杂形态特征，这为通过MoDL分割和分析进行下一步的线粒体功能预测提供了强大的支持。

图3：线粒体功能障碍与形态学变化的密切关系。

线粒体功能的准确预测

作者对MoDL的利用促进了线粒体形态与功能之间强关联的识别，旨在基于MoDL提取的各种形态特征来预测线粒体功能。对于数据集的准备，作者收集了来自不同细胞系的超过115405张线粒体图像，每张图像都标注了五个代表线粒体功能的指标（即线粒体膜电位极化、ATP生成、ROS产生、线粒体自噬水平和呼吸率）。为了确保算法的精确性和稳健性，提出了一种集成学习方法，该方法在分析线粒体形态时整合了图像和数值输入（形态数据）。通过利用各种数据类型，而不是仅依赖单一模态信息，更深入地理解了不同线粒体形态与功能之间的复杂关系。

图4：集成学习算法能够实现对线粒体功能的准确预测。

评估药物对线粒体的疗效

受MoDL在预测线粒体功能方面能力的鼓舞，作者将研究扩展到观察不同药物处理后人肝癌细胞和正常细胞中线粒体功能的变化。每批细胞的线粒体功能通过SIM成像并由MoDL预测，分别通过生化实验进行评估（图5a）。首先，评估了MoDL使用不同数量的线粒体图像（512×512像素分辨率，图5b）预测线粒体功能的准确性。如预期所示，MoDL预测与真实值之间的平均绝对误差（MAE）随着参与MoDL预测过程的图像数量增加而下降。当使用80张图像（即2048×2048像素分辨率的5张图像）时，预测结果稳定在真实值附近，突出了该方法的增强信心和稳健性。因此，在后续的线粒体功能预测中，为每个数据点获取了5张SIM图像（2048×2048像素分辨率）。MoDL还评估了线粒体功能预测中的特征重要性，识别出多种线粒体功能预测的前3个关键属性（图5c）。

图5：MoDL可以评估药物对线粒体功能的影响通道。

基于小样本训练对未见细胞类型的预测

药物抗性是导致肿瘤化疗失败的主要因素，通常源于肿瘤细胞在长期药物压力下发生的突变。已报道了多种抗癌药物抗性机制，包括线粒体功能和形态的显著差异，这为探索肿瘤药物抗性的复杂性提供了新途径。借助MoDL，作者揭示了耐药A2780细胞中线粒体形态变化的异常（图6a）。基础的A2780 S细胞表现出高度融合的线粒体形态，这一特征由MoDL识别。相比之下，A2780 CP细胞倾向于呈现球形和短杆状的线粒体，并伴随着增强的分裂和线粒体自噬事件（图6a）。随后，MoDL表明，随着剂量的增加，A2780 S细胞的线粒体形态逐渐从最初的高融合状态转变为碎片化状态（图6b、c），显示出与其他癌细胞系相似的趋势（图3b）。

图5：数据微调和重新训练能够实现在小样本训练的情况下对未见细胞类型进行预测。

综上所述，作者认为MoDL作为一个强大而有效的工具，用于活细胞图像中线粒体中能够实现准确分析。同时，期望MoDL能够促进与线粒体形态和功能相关的特征数据的广泛传播，这反过来又可以利用深度学习来增强泛化能力，并在各种情况下进行形态分析。此外，还期待MoDL对各种与线粒体相关的科学研究做出贡献，例如药物发现、线粒体移植、传感、疾病诊断和靶向药物递送，从而为线粒体的研究开辟新的途径。

黄维，中国科学院院士、俄罗斯科学院外籍院士、亚太材料科学院院士、东盟工程与技术科学院外籍院士、巴基斯坦科学院外籍院士、欧亚科学院院士。教授、博导，柔性电子（包括有机电子、塑料电子、生物电子、印刷电子、能源电子和纳米电子）学家。俄罗斯科学院名誉博士、英国谢菲尔德大学名誉博士，英国皇家化学会会士、美国光学学会士、国际光学工程学会会士。曾两次获得国家自然科学奖二等奖、四次获得高等学校科学研究优秀成果奖（科学技术）自然科学奖一等奖、六次获得江苏省科学技术奖一、二等奖以及何梁何利基金“科学与技术进步奖”和中国电子学会自然科学奖一等奖等，成果曾入围中国“高等学校十大科技进展”。现任西北工业大学学术委员会主任、柔性电子前沿科学中心首席科学家。

李林，国家级青年人才。2009年博士毕业后，于新加坡国立大学化学系从事化学生物学博士后研究工作；2014年全职回国加入南京工业大学先进材料研究院黄维院士团队；2023年加盟厦门大学，参与创建柔性电子（未来技术）研究院。课题组主要在生物光子学/化学生物学/生物医学工程的交叉学科背景下聚焦“线粒体抗衰老工程”研究，成果在细胞/组织/活体层面上验证了人工合成分子在检测、调控线粒体相关生化因子中的效能，同时探索了基于线粒体代谢表型差异的可穿戴电子器件在主动健康领域的应用。迄今为止，在Journal of the American Chemical Society, Angewandte Chemie International Edition, Nature Communications, Advanced Materials等期刊上累计发表SCI收录论文300余篇，其中通讯/第一作者180余篇，申请/授权专利 59/28项，参与编撰专著《分子影像与精准诊断》《2022年柔性电子白皮书》。

彭勃，西北工业大学柔性电子研究院副教授、拥有扎实的生物医学工程及相关学科背景，研究方向和兴趣主要集中于抗癌药物的研发与筛选。在以博士研究生加入新加坡国立大学的姚少钦教授团队后，彭勃迄今为止，彭勃副教授共发表SCI收录论文20篇，其中IF>10.0的有7篇，并在4个国际会议上作口头报告。自2019年9月回国以来，彭勃博士已获得“2020年中国国家自然科学基金青年项目”、“陕西省高校联合项目（主要参与人）”、“柔性电子研究院自选课题”、“以及西北工业大学新进教师启动资金”等多个国家、省部级科研基金资助。课题组与国际多所高校和知名实验室有密切合作，包括澳大利亚莫纳什大学Nicolas Voelcker教授、美国北卡大学教堂山分校以及新加坡国立大学姚少钦教授等。目前主要研究方向为基于微流控的器官芯片技术、基于纳米材料的可控药物释放以及线粒体提取与细胞治疗技术等。

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, https://doi.org/10.1038/s41467-025-55825-x