对相位分析和对自光生命周期成像数据的比较,对细胞表型的预测进行机器学习

科学领域:

• 生物物理学的生物物理.
• 细胞的新陈代谢
• 机器学习 机器学习

背景情况:

• 减少的尼古丁胺 (酸盐) 二核酸 (NAD(P) 和氧化黄胺二核酸 (FAD) 的自光成像提供了一种无标签的方法来评估细胞代谢和表型.
• 时间域光寿命数据可以使用指数式衰变拟合或相位变换来分析.

研究的目的:

• 为了比较 biexponential衰变曲线适配和相位坐标分析的自光生命周期数据作为机器学习模型的输入来预测细胞表型.
• 评估经过不同数据分析方法训练的机器学习模型的性能,用于分类细胞代谢和表型.

主要方法:

• 使用MCF7乳腺癌细胞和巨细胞 (M0,M1,M2) 来获取NAD,PH和FAD的多光子光寿命图像.
• 使用化学抑制剂 (2-脱氧-d-葡萄糖,化) 调节细胞代谢.
• 光生命周期数据使用比特指数衰变曲线和相位坐标分析进行分析,然后用于训练机器学习模型.

主要成果:

• 机器学习模型在使用生命周期值或相位坐标预测MCF7细胞代谢时达到高准确度 (∼88%).
• 与仅使用相位坐标的模型相比,用衰变配件的特征训练的模型在区分不同巨细胞表型方面表现得更好.

结论:

• 自光生命周期图像的曲线拟合和相位分析都是输入机器学习模型的可行方法.
• 与单独的相位分析相比,衰变曲线适配可能为分类特定细胞表型 (如巨细胞) 提供更高的性能.