Deep learning of functional perturbations from condensate morphology

核心要点

问题/背景

这篇 Cell 论文提出 Deep-Phase，用神经网络从显微图像直接量化 biomolecular condensate 的形态扰动，把分子通路扰动连接到细胞中尺度组织变化。

方法/机制

作者把 Deep-Phase 用在多相 nucleolus，精确量化随时间和浓度变化的结构扰动，并发现这些扰动和抑制 rRNA transcription / processing 的药物 potency 紧密耦合。

结果/证据

进一步的化学筛选识别出一种独特 nucleolar morphology，并发现 DNA topoisomerase 在 rRNA processing 中的作用；方法还展示了跨细胞系、标记技术和 condensate 类型的适配性。

收录价值

收录价值在于它是 AI-for-biology workflow 的典型案例：深度学习不是附属分类器，而是把显微形态读数转成可用于扰动筛选和机制发现的平台。