深度学习图像识别辅助原子力显微镜用于共同培养环境中的单细胞高效力学.

科学领域:

• 机械生物学 机械生物学
• 生物物理学的生物物理.
• 细胞力学 细胞力学
• 生命科学中的深度学习应用

背景情况:

• 原子力显微镜 (AFM) 对于单细胞机械性质的表征至关重要.
• 目前的AFM方法产量低,需要手动操作.
• 共同培养细胞的无标签识别是AFM应用的重大挑战.

研究的目的:

• 开发一种深度学习辅助的AFM系统,用于共同培养中的光独立细胞识别.
• 为了实现识别单个电池的高通量和自动化机械测量.
• 促进在本地细胞环境中研究细胞与细胞相互作用和机械线索.

主要方法:

• 利用基于深度学习的图像识别模型来分析共培养细胞的明亮场显微镜图像.
• 集成图像识别与AFM用于自动探头定位和力测量.
• 在已识别的细胞上应用了AFM缩测定 (Young的模量) 和单细胞力光谱 (粘附力).

主要成果:

• 仅使用明亮场图像在共同培养环境中成功识别了细胞类型和活力,通过光标签证实.
• 证明了基于深度学习识别的自动化,精确的AFM探针定位和力测量.
• 通过使用不同的AFM探针类型验证了该方法用于测量Young的模量和细胞粘附力的适用性.

结论:

• 深度学习辅助的AFM在共同培养条件下为单细胞力学提供了无标签,高通量方法.
• 这项技术克服了手动操作的局限性,并提高了AFM在生命科学中的实用性.
• 这种方法有望促进机械生物学的发展,因为它能够对细胞与细胞之间的机械相互作用进行详细的分析.