Abstract Quantitative studies of cellular morphodynamics rely on extracting leading-edge velocity time-series based on accurate cell segmentation from live cell imaging. However, live cell imaging has numerous challenging issues about accurate edge localization. Here, we develop a deep learning-based pipeline, termed MARS-Net (Multiple-microscopy- type-based Accurate and Robust Segmentation Network), that utilizes transfer learning and the datasets from multiple types of microscopy to localize cell edges with high accuracy, allowing quantitative profiling of cellular morphodynamics. For effective training with the datasets from multiple types of live cell microscopy, we integrated the pretrained VGG-19 encoder with U-Net decoder and added dropout layers. Using this structure, we were able to train one neural network model that can accurately segment various live cell movies from phase contrast, spinning disk confocal, and total internal reflection fluorescence microscopes. Intriguingly, MARS-Net produced more accurate edge localization than the neural network models trained with single microscopy type datasets, whereas the standard U-Net could not increase the overall accuracy. We expect that MARS-Net can accelerate the studies of cellular morphodynamics by providing accurate segmentation of challenging live cell images.

Abstract Intracellular processes such as cytoskeletal organization and organelle dynamics exhibit massive subcellular heterogeneity. Although recent advances in fluorescence microscopy allow researchers to acquire an unprecedented amount of live cell image data at high spatiotemporal resolutions, the traditional ensemble-averaging of uncharacterized subcellular heterogeneity could mask important activities. Moreover, the curse of dimensionality of these complex dynamic datasets prevents access to critical mechanistic details of subcellular processes. Here, we establish an unsupervised machine learning framework called DeepHACKS (Deep phenotyping of Heterogeneous Activities in the Coordination of cytosKeleton at the Subcellular level) for “deep phenotyping,” which identifies rare subcellular phenotypes specifically sensitive to molecular perturbations. DeepHACKS dissects the heterogeneity of subcellular time-series datasets by allowing bi-directional LSTM (Long-Short Term Memory) neural networks to extract fine-grained temporal features by integrating autoencoders with conventional machine learning outcomes. We applied DeepHACKS to subcellular protrusion dynamics in pharmacologically perturbed epithelial cells, revealing fine differential responses of leading edge dynamics specific to each perturbation. Particularly, DeepHACKS in conjunction with blebistantin treatment revealed the emergence of rare subcellular and single-cell phenotypes driven by “bursting” protrusion. This suggests that the temporal features directly learned from leading edge dynamics enable fine-grained identification of drug-related phenotypes, which may not be accessible from static cell images. In summary, our study provides an analytical framework for detailed and quantitative understandings of molecular mechanisms hidden in their heterogeneity. DeepHACKS can be potentially applied to analyze various time-series data measured from other subcellular processes.

Abstract Lens-free digital in-line holography (LDIH) offers a wide field of view at micrometer-scale resolution, surpassing the capabilities of lens-based microscopes, making it a promising diagnostic tool for high-throughput cellular analysis. However, the complex nature of holograms renders them challenging for human interpretation, necessitating time- consuming computational processing to reconstruct object images. To address this, we present HoloNet, a novel deep learning architecture specifically designed for direct analysis of holographic images from LDIH in cellular phenotyping. HoloNet extracts both global features from diffraction patterns and local features from convolutional layers, achieving superior performance and interpretability compared to other deep learning methods. By leveraging raw holograms of breast cancer cells stained with well-known markers ER/PR and HER2, HoloNet demonstrates its effectiveness in classifying breast cancer cell types and quantifying molecular marker intensities. Furthermore, we introduce the feature-fusion HoloNet model, which extracts diffraction features associated with breast cancer cell types and their marker intensities. This hologram embedding approach allows for the identification of previously unknown subtypes of breast cancer cells, facilitating a comprehensive analysis of cell phenotype heterogeneity, leading to precise breast cancer diagnosis.

SUMMARY Atherosclerosis and vascular injury are characterized by neointima formation caused by the aberrant accumulation and proliferation of vascular smooth muscle cells (VSMCs) within the vessel wall. Understanding how to control VSMCs would advance the effort to treat vascular disease. However, the response to treatments aimed at VSMCs is often different among patients with the same disease condition, suggesting patient-specific heterogeneity in VSMCs. Here, we present an experimental and computational method called HETEROID (Heterogeneous Spheroid), which examines the heterogeneity of the responses to drug treatments at the single-spheroid level by combining a VSMC spheroid model and machine learning (ML) analysis. First, we established a VSMC spheroid model that mimics neointima formation induced by atherosclerosis and vascular injury. We found that FAK-Rac/Rho, but not Cdc42, pathways regulate the VSMC spheroid formation through N-cadherin. Then, to identify the morphological subpopulations of drug-perturbed spheroids, we used an ML framework that combines deep learning-based spheroid segmentation and morphological clustering analysis. Our ML approach reveals that FAK, Rac, Rho, and Cdc42 inhibitors differentially affect the spheroid morphology, suggesting there exist multiple distinct pathways governing VSMC spheroid formation. Overall, our HETEROID pipeline enables detailed quantitative characterization of morphological changes in neointima formation, that occurs in vivo, by single-spheroid analysis of various drug treatments.

Abstract Uncovering fine‐grained phenotypes of live cell dynamics is pivotal for a comprehensive understanding of the heterogeneity in healthy and diseased biological processes. However, this endeavor poses significant technical challenges for unsupervised machine learning, requiring the extraction of features that not only faithfully preserve this heterogeneity but also effectively discriminate between established biological states, all while remaining interpretable. To tackle these challenges, a self‐training deep learning framework designed for fine‐grained and interpretable phenotyping is presented. This framework incorporates an unsupervised teacher model with interpretable features to facilitate feature learning in a student deep neural network (DNN). Significantly, an autoencoder‐based regularizer is designed to encourage the student DNN to maximize the heterogeneity associated with molecular perturbations. This method enables the acquisition of features with enhanced discriminatory power, while simultaneously preserving the heterogeneity associated with molecular perturbations. This study successfully delineated fine‐grained phenotypes within the heterogeneous protrusion dynamics of migrating epithelial cells, revealing specific responses to pharmacological perturbations. Remarkably, this framework adeptly captured a concise set of highly interpretable features uniquely linked to these fine‐grained phenotypes, each corresponding to specific temporal intervals crucial for their manifestation. This unique capability establishes it as a valuable tool for investigating diverse cellular dynamics and their heterogeneity.

ABSTRACT Vascular dysfunction is a common cause of cardiovascular diseases characterized by the narrowing and stiffening of arteries, such as atherosclerosis, restenosis, and hypertension. Arterial narrowing results from the aberrant proliferation of vascular smooth muscle cells (VSMCs) and their increased synthesis and deposition of extracellular matrix (ECM) proteins. These, in turn, are modulated by arterial stiffness, but the mechanism for this is not fully understood. We found that survivin (an inhibitor of apoptosis) is an important regulator of stiffness-mediated ECM synthesis and intracellular stiffness in VSMCs. Whole-transcriptome analysis and cell culture experiments showed that survivin expression is upregulated in injured femoral arteries in mice and in human VSMCs cultured on stiff fibronectin-coated hydrogels. Suppressed expression of survivin in human VSMCs and mouse embryonic fibroblasts decreased the stiffness-mediated expression of ECM components implicated in arterial stiffness, namely, collagen-I, fibronectin, and lysyl oxidase. By contrast, expression of these proteins was upregulated by the overexpression of survivin in human VSMCs cultured on soft hydrogels. Atomic force microscopy analysis showed that suppressed or enhanced expression of survivin decreases or increases intracellular stiffness, respectively. These findings suggest a novel mechanism by which survivin modulates arterial stiffness.

SUMMARY Stiffened arteries are a pathology of atherosclerosis, hypertension, and coronary artery disease and a key risk factor for cardiovascular disease events. The increased stiffness of arteries triggers the hypermigration and hyperproliferation of vascular smooth muscle cells (VSMCs), leading to neointimal hyperplasia and accelerated neointima formation, but the mechanism of this trigger is not known. Our analyses of whole-transcriptome microarray data sets from mouse VSMCs cultured on stiff hydrogels simulating arterial pathology and from injured mouse femoral arteries revealed 80 genes that were differentially regulated (74 upregulated and 6 downregulated) relative to expression in control VSMCs cultured on soft hydrogels and in uninjured femoral arteries. A functional enrichment analysis revealed that these stiffness-sensitive genes are linked to cell cycle progression and proliferation. Furthermore, we found that survivin, a member of the inhibitor of apoptosis protein family, mediates stiffness-sensitive cell cycling and proliferation in vivo and in vitro as determined by gene network and pathway analyses, RT-qPCR, and immunoblotting. The stiffness signal is mechanotransduced via FAK and Rac signaling to regulate survivin expression, establishing a regulatory pathway for how the stiffness of the cellular microenvironment affects VSMC behaviors. Our findings indicate that survivin is necessary for VSMC cycling and proliferation and regulates stiffness-responsive phenotypes.

Lens-free digital in-line holography (LDIH) is a promising microscopic tool that overcomes several drawbacks (e.g., limited field of view) of traditional lens-based microcopy. However, extensive computation is required to reconstruct object images from the complex diffraction patterns produced by LDIH, which limits LDIH utility for point-of-care applications, particularly in resource limited settings. Here, we describe a deep transfer learning (DTL) based approach to process LDIH images in the context of cellular analyses. Specifically, we captured holograms of cells labeled with molecular-specific microbeads and trained neural networks to classify these holograms without reconstruction. Using raw holograms as input, the trained networks were able to classify individual cells according to the number of cell-bound microbeads. The DTL-based approach including a VGG19 pretrained network showed robust performance even with noisy experimental data. Combined with the developed DTL approach, LDIH could be realized as a low-cost, portable tool for point-of-care diagnostics.

SUMMARY Cells exhibit pathological behaviors in response to increased extracellular matrix (ECM) stiffness, including accelerated cell proliferation and migration [1–9], which are correlated with increased intracellular stiffness and tension [2, 3, 10–12]. The biomechanical signal transduction of ECM stiffness into relevant molecular signals and resultant cellular processes is mediated through multiple proteins associated with the actin cytoskeleton in lamellipodia [2, 3, 10, 11, 13]. However, the molecular mechanisms by which lamellipodial dynamics regulate cellular responses to ECM stiffening remain unclear. Previous work described that lamellipodin, a phosphoinositide- and actin filament-binding protein that is known mostly for controlling cell migration [14–21], promotes ECM stiffness-mediated early cell cycle progression [2], revealing a potential commonality between the mechanisms controlling stiffness-dependent cell migration and those controlling cell proliferation. However, i) whether and how ECM stiffness affects the levels of lamellipodin expression and ii) whether stiffness-mediated lamellipodin expression is required throughout cell cycle progression and for intracellular stiffness have not been explored. Here, we show that the levels of lamellipodin expression in cells are significantly increased by a stiff ECM and that this stiffness-mediated lamellipodin upregulation persistently stimulates cell cycle progression and intracellular stiffness throughout the cell cycle, from the early G1 phase to M phase. Finally, we show that both Rac activation and intracellular stiffening are required for the mechanosensitive induction of lamellipodin. More specifically, inhibiting Rac1 activation in cells on stiff ECM reduces the levels of lamellipodin expression, and this effect is reversed by the overexpression of activated Rac1 in cells on soft ECM. We thus propose that lamellipodin is a critical molecular lynchpin in the control of mechanosensitive cell cycle progression and intracellular stiffness.

Abstract The discovery of subtypes is pivotal for disease diagnosis and targeted therapy, considering the diverse responses of different cells or patients to specific treatments. Exploring the heterogeneity within disease or cell states provides insights into disease progression mechanisms and cell differentiation. The advent of high-throughput technologies has enabled the generation and analysis of various molecular data types, such as single-cell RNA-seq, proteomic, and imaging datasets, at large scales. While presenting opportunities for subtype discovery, these datasets pose challenges in finding relevant signatures due to their high dimensionality. Feature selection, a crucial step in the analysis pipeline, involves choosing signatures that reduce the feature size for more efficient downstream computational analysis. Numerous existing methods focus on selecting signatures that differentiate known diseases or cell states, yet they often fall short in identifying features that preserve heterogeneity and reveal subtypes. To identify features that can capture the diversity within each class while also maintaining the discrimination of known disease states, we employed deep metric learning-based feature embedding to conduct a detailed exploration of the statistical properties of features essential in preserving heterogeneity. Our analysis revealed that features with a significant difference in interquartile range (IQR) between classes possess crucial subtype information. Guided by this insight, we developed a robust statistical method, termed PHet (Preserving Heterogeneity) that performs iterative subsampling differential analysis of IQR and Fisher’s method between classes, identifying a minimal set of heterogeneity-preserving discriminative features to optimize subtype clustering quality. Validation using public single-cell RNA-seq and microarray datasets showcased PHet’s effectiveness in preserving sample heterogeneity while maintaining discrimination of known disease/cell states, surpassing the performance of previous outlier-based methods. Furthermore, analysis of a single-cell RNA-seq dataset from mouse tracheal epithelial cells revealed, through PHet-based features, the presence of two distinct basal cell subtypes undergoing differentiation toward a luminal secretory phenotype. Notably, one of these subtypes exhibited high expression of BPIFA1. Interestingly, previous studies have linked BPIFA1 secretion to the emergence of secretory cells during mucociliary differentiation of airway epithelial cells. PHet successfully pinpointed the basal cell subtype associated with this phenomenon, a distinction that pre-annotated markers and dispersion-based features failed to make due to their admixed feature expression profiles. These findings underscore the potential of our method to deepen our understanding of the mechanisms underlying diseases and cell differentiation and contribute significantly to personalized medicine.