细胞中代谢表型的无标签空间维护测量
Linghao Hu1, Nianchao Wang1, Joshua D Bryant2
1Department of Biomedical Engineering, Texas A&M University, College Station, TX, United States.
Frontiers in bioengineering and biotechnology
|December 13, 2023
概括
这项研究引入了自光终身成像和机器学习,以测量活样本中的细胞代谢. 这种无标签的技术准确地区分了癌症和T细胞中的糖解和氧化代谢.
科学领域:
- 细胞的新陈代谢
- 生物物理学的生物物理.
- 机器学习在生物学中的应用
背景情况:
- 代谢重编程在癌症等疾病中至关重要.
- 在活体样本中测量单细胞代谢途径的使用仍然具有挑战性.
研究的目的:
- 开发一种无标签的方法来评估活细胞中细胞代谢途径的使用情况.
- 使用自光终身成像和机器学习来预测代谢状态 (糖解与氧化酸化).
主要方法:
- 在单细胞内内源性共酶 (NADH,FAD) 的自光终生成像.
- 应用单细胞细分和机器学习模型 (传统和卷积神经网络).
- 对MCF7和HepG2癌细胞和T细胞进行控制的培养条件.
主要成果:
- 在NADH和FAD生命周期组件的定量变化与特定的代谢途径 (糖解,氧化酸化,谷氨酸溶解) 相相关.
- 机器学习模型在分类细胞代谢状态方面实现了高精度 (90-95%).
- 该模型证明了对T细胞的可转移性,区分激活 (糖溶性) 和静止 (氧化) 状态.
结论:
- 自动光终身成像与机器学习相结合,提供了一种强大的,无标签的方法来研究细胞代谢和异质性.
- 这项技术可以检测活细胞中的代谢干扰,这对疾病研究和诊断有意义.
- 该方法在分析免疫细胞代谢方面表现有前途.
