相关实验视频
Updated: Jul 12, 2025
10:25
Easy and Accurate Mechano-profiling on Micropost Arrays
Published on: November 17, 2015
11.2K
从原子力显微镜机械成像到巨细胞表型的小型数据集的深度学习策略
Hao Wu1, Lei Zhang1, Banglei Zhao1
1School of Management Science and Engineering, Anhui University of Finance and Economics, Bengbu, Anhui, China.
Frontiers in bioengineering and biotechnology
|October 20, 2023
概括
这项研究使用原子力显微镜和深度神经网络来分析细胞生物力学,使得没有传统生物标志物的巨细胞激活状态能够准确预测. 这种方法通过将生物物理性质与细胞功能相关联,为早期诊断提供了一种新的方法.
科学领域:
- 细胞生物物理学 细胞生物物理学
- 免疫学 免疫学 免疫学
- 计算生物学 计算生物学
背景情况:
- 细胞骨对免疫细胞功能至关重要,具有弹性和粘附等生物力学特性,可以作为细胞激活的潜在生物标志物.
- 巨细胞表现出表型两极化,它们的生物力学行为可以表明早期诊断标记.
研究的目的:
- 开发一种结合原子力显微镜 (AFM) 和深度神经网络 (DNN) 的方法,用于分类巨细胞激活状态.
- 通过像素智能分析来增强数据,应对AFM实验中小型数据集的挑战.
主要方法:
- 来自AFM的纳米机械地图被处理成像素化数据与定位信息,以创建一个扩大的数据集.
- 在这个数据集上使用多式联络融合训练了一个DNN,预测来自投票分类.
- 转换特征的重要性被用来解释DNN的预测,并确定关键的生物物理性质.
主要成果:
- 在没有依赖传统生物标志物的情况下,DNN算法在预测巨细胞表型方面取得了高性能.
- 该研究成功地将特定的生物物理特性与细胞骨的局部密度相关联.
- 该方法证明了区分细胞状态和识别新型诊断标记的潜力.
结论:
- 结合AFM-DNN方法提供了一种敏感和自动化的方法来分析细胞生物力学和激活状态.
- 这种技术提供了关于细胞骨密度和细胞表型之间的关系的见解,为创新的诊断工具铺平了道路.
- 开发的方法适用于各种细胞系统,突出其在生物医学研究和诊断中的广泛适用性.
