机器学习能够通过微流动的阻抗信号量化细胞-亚努斯粒子结合物
Brandon K Ashley1, Jianye Sui2, Mehdi Javanmard1,2
1Department of Biomedical Engineering, Rutgers University, Piscataway, USA.
Micro total analysis systems : proceedings of the ... [Mu] TAS International Conference on Miniaturized Chemical and Biochemical Analysis Systems. [Mu] TAS (Conference)
|January 1, 2024
概括
这项研究使用微流体阻抗细胞计区分了向中性粒细胞表面受体的微粒. 机器学习能够准确地识别粒子类型,从而实现先进的细胞分析.
科学领域:
- 生物医学工程 生物医学工程
- 细胞生物学 细胞生物学
- 分析化学 分析化学
背景情况:
- 中性粒细胞表面受体在免疫反应中起着至关重要的作用.
- 精确的微粒分化对于有针对性的治疗和诊断至关重要.
- 现有的细胞计量方法在精确的微粒子表征方面面临挑战.
研究的目的:
- 开发一种新的方法来区分针对中性粒细胞表面受体的阻抗敏感微粒.
- 为了利用微流体阻抗细胞计进行高通量细胞分析.
- 应用机器学习用于自动化粒子分类.
主要方法:
- 使用微流体阻抗细胞计,具有单个信号输入和检测配置.
- 从阻抗敏感的微粒中解调的多频信号.
- 针对中性粒细胞上的特定表面受体.
- 采用机器学习算法进行数据分析和分类.
主要成果:
- 成功演示了微粒子根据它们的阻抗信号的分化.
- 使用机器学习实现了高达82%的精度来区分粒子类型.
- 验证了单个输入/检测方案对复杂测量的有效性.
结论:
- 开发的方法为微流体环境中的微粒子分化提供了灵敏而准确的方法.
- 机器学习集成增强了生物应用阻抗细胞计的分析能力.
- 这种技术对推进诊断工具和向药物递送系统具有前景.
