在微流体中对中性细胞外细胞陷 (NETs) 进行无标签的虚拟染色
Chayakorn Petchakup1, Siong Onn Wong1, Rinkoo Dalan2
1School of Mechanical and Aerospace Engineering, Nanyang Technological University, 50 Nanyang Avenue, Blk N3, Level 2, Room 86 (N3-02c-86), 639798, Singapore. hwhou@ntu.edu.sg.
Lab on a chip
|August 16, 2023
概括
这项研究引入了一种新的深度学习方法,用于对中性粒细胞外细胞陷 (NET) 的无标签量化. 这种技术为在疾病研究中分析NETosis的传统方法提供了更快,更具成本效益的替代方案.
科学领域:
- 免疫学 免疫学 免疫学
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 中性粒细胞是关键的免疫细胞,释放中性粒细胞外细胞陷 (NETs) 来对抗病原体.
- 失调的NET形成 (NETosis) 与癌症和糖尿病等疾病有关.
- 目前的NETosis量化方法是昂贵的,耗时的,劳动密集的.
研究的目的:
- 开发一种新的,无标签的深度学习方法来量化NET形成.
- 建立一个具有成本效益和高效的方法用于NETosis分析.
- 为了证明AI在分析NET的临床应用中的潜力.
主要方法:
- 利用深层卷积神经网络 (CNN) 进行NET的"虚拟染色".
- 建立了NET的相对比度和光图像之间的相关性.
- 优化了CNN模型参数,包括学习率,以实现准确的虚拟染色.
- 使用各种重建指标 (SSIM,MAE,MSE) 验证了模型.
主要成果:
- 实现了对NET的准确,无标签的量化,与光染色有线相关性.
- 证明该模型能够区分各种代理 (LPS,PMA,CaI) 诱导的NET配置文件.
- 展示了该模型在表征经过NETosis的净化中性粒细胞中的有效性.
结论:
- 基于深度学习的虚拟染色为无标签的NET分析提供了一个有前途的工具.
- 这种方法可以显著提高临床研究,药物发现和临床诊断的效率.
- 开发的技术为传统的NETosis量化提供了更快,更经济的替代方案.
