基于来自微流体单细胞阻抗流动细胞计的阻抗特征的细胞状态的机器学习分类

科学领域:

• 细胞生物学 细胞生物学
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 分解对于细胞分裂至关重要,其破坏是抗癌药物的目标.
• 药物诱导的细胞循环停止或细胞亡是癌症治疗的关键结果.
• 无标签,高通量单细胞分析对于理解药物效应至关重要.

研究的目的:

• 应用机器学习 (ML) 与微流体阻抗流细胞计 (IFC) 进行药物治疗瘤细胞的无标签分类.
• 区分各种细胞状态,包括G1/S,G2/M停止和细胞亡.
• 为了分类细胞的子群,包括耐药的细胞.

主要方法:

• 利用IFC测量单细胞的电生理学参数.
• 提取的阻抗幅度和相位作为ML模型训练的特征.
• 采用深度神经网络 (DNN) 模型,对细胞类型和药物特定分类进行优化结构.

主要成果:

• 对H1650和HeLa细胞实现了高分类准确度,区分G1/S,G2/M停滞和亡状态.
• 证明了高精度 (接近100%) 在分类可活性与非可活性的细胞和G2/M逮捕与亡在vinblastine治疗的HeLa细胞.
• 成功地将三种亚种群 (对药物不敏感,G2 / M停止,细胞亡) 分类到被纳克索或芽蛋白治疗的细胞中.

结论:

• ML与IFC相结合,为药物效应的高通量单细胞分析提供了一种强大的,无标签的方法.
• DNN模型有效地对抗癌药物诱导的复杂细胞状态进行分类.
• 这种方法通过识别药物反应和耐药机制,对药物发现和个性化医疗具有重大潜力.