基于深度学习YOLOv8的彗星试验图像分析评估微塑料与抗生素对海洋贻贝的遗传毒性

《Ecotoxicology and Environmental Safety》：Evaluating microplastics and antibiotics induced genotoxicity in marine mussels through deep learning-based processing images of comet assay

　　本研究针对新兴污染物遗传毒性评估中彗星试验分析效率低、主观性强的问题，开发了基于YOLOv8深度学习模型的自动化分析方法。该方法在包含6749个标注彗星的数据集上训练，对带尾彗星识别准确率达90.6%，与传统CASP方法高度相关（R=1.09, P<0.01）。应用显示聚乙烯微塑料（PE）和磺胺甲噁唑（SMX）单独暴露均显著诱导DNA损伤，但共暴露产生拮抗效应。该研究为高效评估新兴污染物遗传毒性提供了新工具。

　　

随着聚乙烯微塑料（PE）和磺胺甲噁唑（SMX）等新兴污染物在水环境中不断累积，其对水生生物的遗传毒性风险日益引起关注。彗星试验（单细胞凝胶电泳试验）作为检测DNA损伤的经典方法，虽具有灵敏度高、成本低等优势，但传统分析方法严重依赖人工操作，存在效率低、主观性强等局限。尽管已有OpenComet、CASP等自动化软件，但其识别准确性易受图像质量影响，且大多需要人工参数调整，难以实现真正的高通量分析。

为解决这一技术瓶颈，浙江大学海南研究院的研究团队在《Ecotoxicology and Environmental Safety》上发表研究，创新性地将YOLOv8深度学习模型应用于彗星试验图像分析。研究人员构建了包含1817张图像、6749个标注目标的专业数据集，通过目标检测算法实现了彗星细胞的自动识别、分类和定量分析。特别值得关注的是，该方法不仅能区分正常彗星细胞（comet）和受损彗星细胞（comet-T），还能有效过滤重叠细胞（stack）和杂质（impurity），显著提升了分析准确性。

关键技术方法包括：基于YOLOv8架构的深度学习模型训练，采用1453张训练图像和364张验证图像的数据集；通过人工标注建立四类目标（彗星、带尾彗星、重叠细胞、杂质）的标注体系；利用尾DNA百分比（Tail DNA%）和DNA损伤等级评估遗传毒性；以海洋贻贝（Mytilus galloprovincialis）为模型生物，设置PE（200 μg/L）、SMX（50 μg/L）单独及联合暴露实验。

研究结果方面，模型性能评估显示，该方法对带尾彗星的识别准确率高达90.6%，彗星头部识别准确率达85.3%。与现有软件对比实验中，深度学习方法的分析效率与自动化软件相当，而准确性接近人工标准。在应用验证部分，研究人员发现PE和SMX单独暴露均显著诱导DNA损伤，但令人意外的是，两者联合暴露反而表现出拮抗效应，遗传毒性水平低于单独暴露。这种减弱效应可能与PE对SMX的吸附作用降低其生物可利用性有关。

特别值得关注的是，深度学习方法不仅能够提供与传统CASP方法高度一致的结果（R=1.09, P<0.01），还能在几小时内完成原本需要半个月人工分析的工作量。此外，该方法还能输出详细的DNA损伤等级分布，为深入研究损伤机制提供更多维度信息。如研究发现，虽然PE和SMX单独暴露组的尾DNA%无显著差异，但PE暴露组中Level 4重度损伤细胞比例更高，提示两种污染物可能通过不同机制诱发遗传损伤。

讨论部分指出，这种基于深度学习的分析方法成功将经典毒理学与现代人工智能技术相结合，为环境污染物遗传毒性评估提供了高效、准确的技术手段。研究还发现，在6天恢复期后，各暴露组DNA损伤均恢复至对照水平，表明海洋贻贝对这类污染胁迫具有一定的自我修复能力。

该研究的创新性在于建立了首个基于YOLOv8的彗星试验全自动分析流程，实现了从原始图像到遗传毒性评估的一站式解决方案。相比传统方法，该方法在保持准确性的同时，将分析效率提升数个数量级，且有效避免了人工分析的主观偏差。未来，通过扩充不同实验条件、染色方法和生物样本的图像数据，有望进一步提高模型的泛化能力和实用性。

这项研究不仅为环境污染物遗传毒性监测提供了强有力的技术工具，也展示了深度学习技术在生态毒理学研究中的广阔应用前景。随着新兴污染物种类和数量的持续增加，这种高效、客观的评估方法将在早期预警和环境风险评估中发挥越来越重要的作用。