使用机器学习对Trypan蓝色染色细胞培养进行自动细胞计数.

科学领域:

• 生物技术是生物技术.
• 机器学习应用 机器学习应用
• 细胞生物学 细胞生物学

背景情况:

• 精确的细胞计数对于维持细胞培养,评估活力和确定增殖率至关重要.
• 手动细胞计数是耗时的,特别是对于并行培养,自动计数器是昂贵的.
• 需要使用高效,准确和具有成本效益的细胞计数方法.

研究的目的:

• 开发和验证用于准确和快速细胞计数的机器学习 (ML) 模型.
• 为现有的自动化细胞计数解决方案提供一个具有成本效益的替代方案.
• 评估模型在各种细胞系上的性能及其适用于高通量分析的适用性.

主要方法:

• 基于YOLOv4的机器学习模型被训练并使用Trypan蓝色斑点昆虫细胞系 (Trichoplusia ni和Spodoptera frugiperda) 的图像进行验证.
• 模型的准确性是使用F1分数来评估活细胞和死细胞的准确性.
• 该模型进一步在未染色的人类胚胎脏 (HEK) 细胞上进行了测试,以评估其多功能性.

主要成果:

• ML模型实现了高精度,F1分数为活细胞的0.97,死亡细胞的0.96.
• 该模型表现出多功能性,在未经训练的人类胚胎细胞上获得0.96的F1得分.
• 该实现具有用户友好的界面和批处理功能,适用于高吞吐量实验.

结论:

• 开发的ML模型为细胞计数提供了快速,准确和无偏差的方法.
• 这种方法比手动计数提供了显著的改进,也是昂贵的自动计数器的经济有效替代品.
• 该模型的多功能性使其适用于各种细胞系和研究环境,包括实验设计评估.