人工智能的快速发展正在推动各领域发生革命性变革。2024年，诺贝尔物理学奖和化学奖共同表彰了人工智能技术在复杂系统模拟和研究工具创新中的突破性贡献，这表明人工智能已成为驱动科学前沿发展的关键动力。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，是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。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。

近日，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

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）。

图2. MoDL对线粒体荧光图像的高质量分割

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）。

图3. 集成学习策略实现对线粒体功能预测

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平台，为药物筛选、疾病监控以及基础科学研究提供了可靠工具。

图4. 小样本条件下对异质细胞的线粒体功能预测

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。本工作得到了国家自然科学基金、陕西省重点研究研发项目、福建省自然科学基金等项目经费的支持。

文章链接：https://www.nature.com/articles/s41467-025-55825-x

（作者：丁阳 审核：王学文）