通过无标签显微镜系统和机器学习评估中细胞干细胞的分化状态
Yawei Kong1, Jianpeng Ao2, Qiushu Chen1
1Key Laboratory of Micro and Nano Photonic Structures (Ministry of Education), Department of Optical Science and Engineering, Shanghai Engineering Research Center of Ultra-Precision Optical Manufacturing, School of Information Science and Technology, Fudan University, Shanghai 200433, China.
Cells
|June 10, 2023
概括
本研究引入了一种使用K-means机器学习的自动化模型,以评估间酶体干细胞 (MSC) 分化. 这种方法准确地分析单个细胞状态,对于有效的干细胞治疗和组织工程至关重要.
科学领域:
- 生物医学工程 生物医学工程
- 细胞生物学 细胞生物学
- 再生医学是一种再生医学.
背景情况:
- 介质细胞干细胞 (MSC) 对于组织工程和移植疗法至关重要.
- 控制MSC分化对于干细胞治疗的有效性和安全性至关重要,因为异质性会导致瘤性问题.
研究的目的:
- 开发一种自动化模型,用于评估介质干细胞 (MSC) 的分化状态.
- 通过使用无标签成像技术,解决MSC分化为基或骨基血统的异质性.
主要方法:
- 使用光终身成像显微镜 (FLIM) 和刺激拉曼散射 (SRS) 获取无标签显微镜图像.
- 基于K-means机器学习算法的自动化评估模型的开发,以分析细胞分化状态.
主要成果:
- 开发的模型显示了对单个细胞分化状态的高度敏感分析.
- 该模型有效地解决了MSC在分化成脂肪基和骨基血统期间的异质性.
结论:
- 自动化K-means模型显示了促进干细胞分化研究的巨大潜力.
- 这种无标签的成像和机器学习方法为改善组织工程和临床应用提供了对MSC差异化的精确控制.
更多相关视频
10:08Light-Induced Dielectrophoresis for Characterizing the Electrical Behavior of Human Mesenchymal Stem Cells
Published on: June 16, 2023
1.8K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
638
