高通量秀丽隐杆线虫成体存活监测系统

通过观测微小线虫来理解衰老

许多科学家通过观察一种名为秀丽隐杆线虫（Caenorhabditis elegans）的微小动物来研究衰老，因为这些动物在数周内就会变老，并且与人类共享许多基本生物学特性。但用肉眼在培养皿上追踪数百只线虫既慢又累，而且容易产生错误。本研究描述了一种完全自动化的系统，该系统能为线虫提供稳定环境、拍摄清晰图像，并利用计算机视觉判定哪些线虫存活，从而使大规模的衰老与药物测试更易开展。

一种跟踪大量线虫的新方法

研究人员着手解决当前自动化线虫平台的两个主要问题：图像模糊与不均匀，以及线虫与背景杂物（如霉斑或气泡）之间的混淆。他们的解决方案是一个集成的硬件与软件平台，能够全天候监视成体线虫。经改装的实验室孵育箱在受控的温湿度下容纳数十个培养皿，内置摄像头与照明按计划扫描每个培养皿。各部分协同工作，将曾经需要一两名受过训练人员亲自动手的任务转变为可运行一个月或更长时间的大体无人值守过程。

用于清晰且温和成像的智能硬件

在硬件方面，团队以一台商用孵育箱为基础进行了改造以适应线虫养护与成像。他们添加了带导流罩的风扇以防气流使培养皿干燥，换装紫外灯用于定期消毒，并安装了用于需要特定光线提示的实验的蓝光灯。关键升级是位于可放置最多36个培养皿的穿孔托盘下方的平面准直光板。这种照明使每个培养皿获得均匀、低热量的光照，避免炫光与模糊。测试表明，使用准直光拍摄的图像比普通灯光下更清晰，为计算机提供了每只线虫的锐利视图。

教会软件将线虫与杂物区分开来

软件既控制图像采集又负责图像分析。孵育箱内的一排六台工业相机沿一根简易线性导轨移动，因此每次扫描可快速拍摄六列培养皿，而无需复杂运动。图像随后传递给基于YOLOv5目标检测系列的深度学习模型。团队在一万二千多张图像上训练了该模型，不仅标注了线虫，还标注了常见的相似干扰项，包括环形痕迹、霉斑碎片和气泡。通过识别这些不同类别，系统在计数时更不易将碎屑误认作动物。

用第二次检查找回漏检线虫

即便是强大的检测器也可能偶尔漏检线虫，尤其是那些与背景融为一体的深色个体。为了解决这一问题，作者增加了第二遍检测，将模型的注意力集中在第一次遗漏的目标上。首次检测后，软件用白色普通补丁覆盖所有已发现的线虫，然后再次运行检测器。在没有明显动物竞争注意力的情况下，模型能够识别出先前隐藏的微弱线虫。在跨越十天、36个培养皿的测试中，这一两步方法将漏检率从1.75%降至0.8%，代价是增加了一些计算时间。

覆盖整个生命周期的快速、准确计数

为了评估系统在真实实验中的表现，团队将其与人工细致计数进行了比较。对于一批包含每皿15到30只成体线虫的36个培养皿，两个受过训练的研究人员大约需要两个半到三个小时完成计数，而自动化系统仅需36到60分钟。自动计数的存活线虫数与人工统计的匹配度超过95%，误报和漏报都非常低。在一项追踪96只线虫从成虫到死亡的30天试验中，系统给出的每日存活曲线与人工观察结果几乎相同，统计检验显示极强的一致性且无显著偏差。

这对衰老与药物研究意味着什么

简而言之，研究人员为线虫衰老研究构建了一个可靠的实验室机器人助手。它可以在温和且受控的环境中同时照看数百只线虫，拍摄清晰的图像，并用训练好的软件判定哪些线虫仍在活动。该系统大幅减少了人类在显微镜前所需投入的时间和精力，同时保持结果与公认的手工标准一致。尽管未来工作仍需应对更年轻发育阶段的处理以及将瘫痪但仍存活的个体与真正死亡个体区分开来，这一平台已为研究基因、环境与候选药物如何影响寿命提供了强有力且实用的工具。

引用: Lin, Q., Weng, J., Cheng, Z. et al. High-throughput adult Caenorhabditis elegans viability monitoring system. Sci Rep 16, 15014 (2026). https://doi.org/10.1038/s41598-026-43579-5

关键词: 秀丽隐杆线虫, 寿命监测, 自动成像, 深度学习, 衰老研究