Dissertation/ Thesis
To Identify Different Cell Types and Pluripotency Grade of Stem Cell Using Deep Learning Method Combined with Super Resolution Microscopy
| Τίτλος: | To Identify Different Cell Types and Pluripotency Grade of Stem Cell Using Deep Learning Method Combined with Super Resolution Microscopy |
|---|---|
| Συγγραφείς: | Zhong, Limei |
| Thesis Advisors: | Cosma, Maria Pia, Castells García, Àlvaro |
| Πηγή: | TDX (Tesis Doctorals en Xarxa) |
| Στοιχεία εκδότη: | Universitat Pompeu Fabra, 2026. |
| Έτος έκδοσης: | 2026 |
| Φυσική περιγραφή: | 171 p. |
| Θεματικοί όροι: | Microscòpia de super-resolució, Super-resolution microscopy, Microscopía de superresolución, Intel·ligència artificial, Artificial intelligence, Inteligencia artificial, Aprenentatge profund, Deep learning, Aprendizaje profundo, Classificació cel·lular, Cell classification, Clasificación celular, Cèl·lules mare, Stem cells, Células madre |
| Περιγραφή: | La heterogeneïtat fenotípica cel·lular és un tret distintiu de molts processos biològics, però els seus orígens continuen sent poc coneguts. Aquesta heterogeneïtat sovint reflecteix variacions en l'estructura de la cromatina, que pot veure's alterada de manera dràstica per factors com ara la infecció vírica o la transformació maligna. Per abordar el desafiament d'identificar diferents estats cel·lulars, vam desenvolupar AINU (Intel·ligència Artificial del Nucli), un mètode d'aprenentatge profund que reconeix signes nuclears a escala nanomètrica a partir d'imatges de microscòpia de superresolució. Utilitzant microscòpia de localització de molècules individuals (STORM), vam obtenir imatges de la histona H3, l'ARN polimerasa II (Pol II) i l'ADN en diversos estats cel·lulars: cèl·lules somàtiques humanes, cèl·lules mare pluripotents induïdes (hiPSC), cèl·lules infectades pel VHS-1 en una fase molt primerenca i cèl·lules canceroses. Amb només un petit nombre d'imatges d'entrenament, AINU va classificar correctament aquests tipus cel·lulars i, després d'un reentrenament adequat, també va distingir cèl·lules canceroses. A més, mitjançant mètodes d'intel·ligència artificial interpretables (mapes de sensibilitat basats en oclusió i mapes d'activació de classes), vam identificar que les localitzacions de la Pol II en el nuclèol són la característica clau que permet a AINU diferenciar les hiPSC de les cèl·lules somàtiques. Aquesta troballa es va validar addicionalment mitjançant anàlisi quantitatiu de conglomerats i RT-qPCR específica de cadena dels asincARN. En conjunt, AINU, juntament amb la imatge nuclear de superresolució, proporciona una eina robusta per a la detecció precisa de la heterogeneïtat cel·lular, amb un potencial considerable per al diagnòstic i la teràpia en medicina regenerativa, virologia i biologia del càncer. |
| Description (Translated): | La heterogeneidad fenotípica celular es un sello distintivo de muchos procesos biológicos, pero sus orígenes siguen siendo poco conocidos. Esta heterogeneidad a menudo refleja variaciones en la estructura de la cromatina, que puede verse alterada de forma drástica por factores como la infección vírica o la transformación maligna. Para abordar el desafío de identificar distintos estados celulares, desarrollamos AINU (Inteligencia Artificial del Núcleo), un método de aprendizaje profundo que reconoce firmas nucleares a escala nanométrica a partir de imágenes de microscopía de superresolución. Utilizando microscopía de localización de moléculas individuales (STORM), obtuvimos imágenes de la histona H3, la ARN polimerasa II (Pol II) y el ADN en diversos estados celulares: células somáticas humanas, células madre pluripotentes inducidas (hiPSC), células infectadas por el VHS-1 en una fase muy temprana y células cancerosas. Con solo un pequeño número de imágenes de entrenamiento, AINU clasificó correctamente estos tipos celulares y, tras un reentrenamiento adecuado, también distinguió células cancerosas. Además, mediante métodos de inteligencia artificial interpretables (mapas de sensibilidad basados en oclusión y mapas de activación de clases), identificamos que las localizaciones de la Pol II en el nucléolo son la característica clave que permite a AINU diferenciar las hiPSC de las células somáticas. Este hallazgo se validó adicionalmente mediante análisis cuantitativo de conglomerados y RT-qPCR específica de cadena de los asincARN. En conjunto, AINU, junto con la imagen nuclear de superresolución, proporciona una herramienta robusta para la detección precisa de la heterogeneidad celular, con un potencial considerable para el diagnóstico y la terapia en medicina regenerativa, virología y biología del cáncer. Cellular phenotypic heterogeneity is a hallmark of many biological processes, yet its origins remain poorly understood. This heterogeneity often reflects variations in chromatin structure, which can be dramatically altered by factors such as viral infection or malignant transformation. To address the challenge of identifying distinct cell states, we developed AINU (Artificial Intelligence of the Nucleus), a deep learning method that recognizes nanoscale nuclear signatures from super-resolution microscopy images. Using single-molecule localization microscopy (STORM), we imaged core histone H3, RNA polymerase II (Pol II), and DNA in diverse cell states: human somatic cells, induced pluripotent stem cells (hiPSCs), HSV-1-infected cells (at a immediate early stage), and cancer cells. With only a small number of training images, AINU accurately classified these cell types, and after appropriate retraining, it also distinguished cancer cells. Moreover, using AI interpretability methods (occlusion-based sensitivity maps and class activation mapping), we identified that Pol II localizations within the nucleolus serve as the key feature enabling AINU to differentiate hiPSCs from somatic cells. This finding was further validated by quantitative cluster analysis and strand-specific RT-qPCR of asincRNAs. Collectively, AINU coupled with super-resolution nuclear imaging provides a robust tool for precise detection of cellular heterogeneity, holding substantial promise for diagnostics and therapy in regenerative medicine, virology, and cancer biology. Universitat Pompeu Fabra. Doctorat en Biomedicina |
| Τύπος εγγράφου: | Dissertation/Thesis |
| Περιγραφή αρχείου: | application/pdf |
| Γλώσσα: | English |
| Σύνδεσμος πρόσβασης: | https://hdl.handle.net/10803/698244 |
| Rights: | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/embargoedAccess |
| Αριθμός Καταχώρησης: | edstdx.10803.698244 |
| Βάση Δεδομένων: | TDX |
| FullText | Text: Availability: 0 CustomLinks: – Url: https://hdl.handle.net/10803/698244# Name: EDS - TDX (ns324271) Category: fullText Text: View record in TDX |
|---|---|
| Header | DbId: edstdx DbLabel: TDX An: edstdx.10803.698244 RelevancyScore: 1447 AccessLevel: 3 PubType: Dissertation/ Thesis PubTypeId: dissertation PreciseRelevancyScore: 1446.97729492188 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: To Identify Different Cell Types and Pluripotency Grade of Stem Cell Using Deep Learning Method Combined with Super Resolution Microscopy – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Zhong%2C+Limei%22">Zhong, Limei</searchLink> – Name: Author Label: Thesis Advisors Group: Au Data: Cosma, Maria Pia<br />Castells García, Àlvaro – Name: TitleSource Label: Source Group: Src Data: TDX (Tesis Doctorals en Xarxa) – Name: Publisher Label: Publisher Information Group: PubInfo Data: Universitat Pompeu Fabra, 2026. – Name: DatePubCY Label: Publication Year Group: Date Data: 2026 – Name: PhysDesc Label: Physical Description Group: PhysDesc Data: 171 p. – Name: Subject Label: Subject Terms Group: Su Data: <searchLink fieldCode="DE" term="%22Microscòpia+de+super-resolució%22">Microscòpia de super-resolució</searchLink><br /><searchLink fieldCode="DE" term="%22Super-resolution+microscopy%22">Super-resolution microscopy</searchLink><br /><searchLink fieldCode="DE" term="%22Microscopía+de+superresolución%22">Microscopía de superresolución</searchLink><br /><searchLink fieldCode="DE" term="%22Intel·ligència+artificial%22">Intel·ligència artificial</searchLink><br /><searchLink fieldCode="DE" term="%22Artificial+intelligence%22">Artificial intelligence</searchLink><br /><searchLink fieldCode="DE" term="%22Inteligencia+artificial%22">Inteligencia artificial</searchLink><br /><searchLink fieldCode="DE" term="%22Aprenentatge+profund%22">Aprenentatge profund</searchLink><br /><searchLink fieldCode="DE" term="%22Deep+learning%22">Deep learning</searchLink><br /><searchLink fieldCode="DE" term="%22Aprendizaje+profundo%22">Aprendizaje profundo</searchLink><br /><searchLink fieldCode="DE" term="%22Classificació+cel·lular%22">Classificació cel·lular</searchLink><br /><searchLink fieldCode="DE" term="%22Cell+classification%22">Cell classification</searchLink><br /><searchLink fieldCode="DE" term="%22Clasificación+celular%22">Clasificación celular</searchLink><br /><searchLink fieldCode="DE" term="%22Cèl·lules+mare%22">Cèl·lules mare</searchLink><br /><searchLink fieldCode="DE" term="%22Stem+cells%22">Stem cells</searchLink><br /><searchLink fieldCode="DE" term="%22Células+madre%22">Células madre</searchLink> – Name: Abstract Label: Description Group: Ab Data: La heterogeneïtat fenotípica cel·lular és un tret distintiu de molts processos biològics, però els seus orígens continuen sent poc coneguts. Aquesta heterogeneïtat sovint reflecteix variacions en l'estructura de la cromatina, que pot veure's alterada de manera dràstica per factors com ara la infecció vírica o la transformació maligna. Per abordar el desafiament d'identificar diferents estats cel·lulars, vam desenvolupar AINU (Intel·ligència Artificial del Nucli), un mètode d'aprenentatge profund que reconeix signes nuclears a escala nanomètrica a partir d'imatges de microscòpia de superresolució. Utilitzant microscòpia de localització de molècules individuals (STORM), vam obtenir imatges de la histona H3, l'ARN polimerasa II (Pol II) i l'ADN en diversos estats cel·lulars: cèl·lules somàtiques humanes, cèl·lules mare pluripotents induïdes (hiPSC), cèl·lules infectades pel VHS-1 en una fase molt primerenca i cèl·lules canceroses. Amb només un petit nombre d'imatges d'entrenament, AINU va classificar correctament aquests tipus cel·lulars i, després d'un reentrenament adequat, també va distingir cèl·lules canceroses. A més, mitjançant mètodes d'intel·ligència artificial interpretables (mapes de sensibilitat basats en oclusió i mapes d'activació de classes), vam identificar que les localitzacions de la Pol II en el nuclèol són la característica clau que permet a AINU diferenciar les hiPSC de les cèl·lules somàtiques. Aquesta troballa es va validar addicionalment mitjançant anàlisi quantitatiu de conglomerats i RT-qPCR específica de cadena dels asincARN. En conjunt, AINU, juntament amb la imatge nuclear de superresolució, proporciona una eina robusta per a la detecció precisa de la heterogeneïtat cel·lular, amb un potencial considerable per al diagnòstic i la teràpia en medicina regenerativa, virologia i biologia del càncer. – Name: Abstract Label: Description (Translated) Group: Ab Data: La heterogeneidad fenotípica celular es un sello distintivo de muchos procesos biológicos, pero sus orígenes siguen siendo poco conocidos. Esta heterogeneidad a menudo refleja variaciones en la estructura de la cromatina, que puede verse alterada de forma drástica por factores como la infección vírica o la transformación maligna. Para abordar el desafío de identificar distintos estados celulares, desarrollamos AINU (Inteligencia Artificial del Núcleo), un método de aprendizaje profundo que reconoce firmas nucleares a escala nanométrica a partir de imágenes de microscopía de superresolución. Utilizando microscopía de localización de moléculas individuales (STORM), obtuvimos imágenes de la histona H3, la ARN polimerasa II (Pol II) y el ADN en diversos estados celulares: células somáticas humanas, células madre pluripotentes inducidas (hiPSC), células infectadas por el VHS-1 en una fase muy temprana y células cancerosas. Con solo un pequeño número de imágenes de entrenamiento, AINU clasificó correctamente estos tipos celulares y, tras un reentrenamiento adecuado, también distinguió células cancerosas. Además, mediante métodos de inteligencia artificial interpretables (mapas de sensibilidad basados en oclusión y mapas de activación de clases), identificamos que las localizaciones de la Pol II en el nucléolo son la característica clave que permite a AINU diferenciar las hiPSC de las células somáticas. Este hallazgo se validó adicionalmente mediante análisis cuantitativo de conglomerados y RT-qPCR específica de cadena de los asincARN. En conjunto, AINU, junto con la imagen nuclear de superresolución, proporciona una herramienta robusta para la detección precisa de la heterogeneidad celular, con un potencial considerable para el diagnóstico y la terapia en medicina regenerativa, virología y biología del cáncer.<br />Cellular phenotypic heterogeneity is a hallmark of many biological processes, yet its origins remain poorly understood. This heterogeneity often reflects variations in chromatin structure, which can be dramatically altered by factors such as viral infection or malignant transformation. To address the challenge of identifying distinct cell states, we developed AINU (Artificial Intelligence of the Nucleus), a deep learning method that recognizes nanoscale nuclear signatures from super-resolution microscopy images. Using single-molecule localization microscopy (STORM), we imaged core histone H3, RNA polymerase II (Pol II), and DNA in diverse cell states: human somatic cells, induced pluripotent stem cells (hiPSCs), HSV-1-infected cells (at a immediate early stage), and cancer cells. With only a small number of training images, AINU accurately classified these cell types, and after appropriate retraining, it also distinguished cancer cells. Moreover, using AI interpretability methods (occlusion-based sensitivity maps and class activation mapping), we identified that Pol II localizations within the nucleolus serve as the key feature enabling AINU to differentiate hiPSCs from somatic cells. This finding was further validated by quantitative cluster analysis and strand-specific RT-qPCR of asincRNAs. Collectively, AINU coupled with super-resolution nuclear imaging provides a robust tool for precise detection of cellular heterogeneity, holding substantial promise for diagnostics and therapy in regenerative medicine, virology, and cancer biology.<br />Universitat Pompeu Fabra. Doctorat en Biomedicina – Name: TypeDocument Label: Document Type Group: TypDoc Data: Dissertation/Thesis – Name: Format Label: File Description Group: SrcInfo Data: application/pdf – Name: Language Label: Language Group: Lang Data: English – Name: URL Label: Access URL Group: URL Data: <link linkTarget="URL" linkTerm="https://hdl.handle.net/10803/698244" linkWindow="_blank">https://hdl.handle.net/10803/698244</link> – Name: Copyright Label: Rights Group: Cpyrght Data: L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-nd/4.0/<br />info:eu-repo/semantics/embargoedAccess – Name: AN Label: Accession Number Group: ID Data: edstdx.10803.698244 |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=edstdx&AN=edstdx.10803.698244 |
| RecordInfo | BibRecord: BibEntity: Languages: – Text: English PhysicalDescription: Pagination: PageCount: 171 Subjects: – SubjectFull: Microscòpia de super-resolució Type: general – SubjectFull: Super-resolution microscopy Type: general – SubjectFull: Microscopía de superresolución Type: general – SubjectFull: Intel·ligència artificial Type: general – SubjectFull: Artificial intelligence Type: general – SubjectFull: Inteligencia artificial Type: general – SubjectFull: Aprenentatge profund Type: general – SubjectFull: Deep learning Type: general – SubjectFull: Aprendizaje profundo Type: general – SubjectFull: Classificació cel·lular Type: general – SubjectFull: Cell classification Type: general – SubjectFull: Clasificación celular Type: general – SubjectFull: Cèl·lules mare Type: general – SubjectFull: Stem cells Type: general – SubjectFull: Células madre Type: general Titles: – TitleFull: To Identify Different Cell Types and Pluripotency Grade of Stem Cell Using Deep Learning Method Combined with Super Resolution Microscopy Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Zhong, Limei IsPartOfRelationships: – BibEntity: Dates: – D: 29 M: 07 Type: published Y: 2026 |
| ResultId | 1 |