基于机器学习的方法用于使用纳米机械性质进行细胞和细胞外矩阵的自动分类

科学领域:

• 生物物理学的生物物理.
• 癌症生物学 癌症生物学
• 生物材料科学 生物材料科学

背景情况:

• 纤维化,标志着细胞外矩阵 (ECM) 过度积累,是疾病发病的核心原因.
• 胰腺管道腺癌 (PDAC) 涉及癌细胞和ECM之间的复杂相互作用.
• 以前的研究经常单独研究细胞和ECM组件,错过了它们的协作动态.

研究的目的:

• 在胰腺管腺癌 (PDAC) 模型中研究细胞-ECM相互作用的动态纳米机械变化.
• 了解原蛋白和纤维素在纤维化和瘤微环境中的作用.
• 探索机器学习 (ML) 在分析细胞-ECM相互作用中的应用.

主要方法:

• 利用PDAC ECM的关键组成部分原蛋白和纤维素来研究它们的纳米机械属性.
• 检查了不同凝厚度的原体形态和 nanomechanics 的变化.
• 混合了不同比例的原蛋白和纤维蛋白,以评估纳米机械性质的变化.
• 使用纳米力学研究了Panc-1和AsPC-1细胞与原之间的相互作用.
• 应用ML技术来根据纳米机械数据对ECM,细胞和细胞亚型进行分类.

主要成果:

• 根据凝厚度,证明了原体形态和纳米力学上的变化.
• 当混合原蛋白和纤维内素时观察到不同的纳米机械属性.
• 显示了Panc-1/AsPC-1细胞和原之间的明显相互作用,反映在改变的纳米机械性质中.
• 在使用ML对纳米力学数据的ECM,细胞和细胞亚型的分类中实现了高精度,带或不带原.

结论:

• 细胞-ECM相互作用显著影响PDAC模型中的纳米机械性质.
• 纳米机械分析结合ML提供了一种强大的方法来研究瘤微环境和纤维化.
• 这项工作为探索其他ECM组件及其在癌症进展和纤维化中的作用提供了基础.