使用多列卷积神经网络 (MC-CNN) 在单细胞水平上对金纳米粒子进行无标签量化
Abu S M Mohsin1, Shadab H Choudhury1
1Nanotechnology, IoT and Applied Machine Learning Research Group, Brac University, Dhaka, Bangladesh. asm.mohsin@bracu.ac.bd.
The Analyst
|March 15, 2024
概括
我们开发了一种使用定制深度学习模型的新人工智能方法,以准确量化活细胞中的金纳米粒子吸收. 这克服了手工计数和纳米医学研究传统成像技术的局限性.
科学领域:
- 生物医学工程 生物医学工程
- 纳米技术 纳米技术
- 人工智能的人工智能
背景情况:
- 黄金纳米粒子 (AuNPs) 在细胞成像,诊断和药物输送中至关重要.
- 在活细胞中精确量化AuNP吸收对于优化纳米药物的有效性和安全性至关重要.
- 现有的AuNP量化方法往往是耗时的,主观的,或者由于成像限制而受到限制.
研究的目的:
- 开发一种新的,准确的,可扩展的方法来量化活细胞中黄金纳米粒子吸收.
- 克服手动计数和现有的成像技术的局限性.
- 为了能够更深入地了解AuNP细胞相互作用,以便推进纳米医学.
主要方法:
- 在活细胞中对50nm AuNPs的暗场图像的数据集进行了注释.
- 为粒子计数开发了一种定制的多列卷积神经网络 (MC-CNN).
- 将MC-CNN的性能与传统的粒子计数架构和基于光谱的方法进行了比较.
主要成果:
- 与传统方法相比,定制的MC-CNN在细胞内计数AuNP方面表现优异.
- 开发的AI方法为量化AuNP吸收提供了可扩展和准确的解决方案.
- 这种方法解决了图像工件所带来的挑战,例如变化强度,模糊和遮蔽.
结论:
- 开发的MC-CNN为量化活细胞中黄金纳米粒子吸收提供了重大进展.
- 这有助于更好地了解纳米粒子的行为和相互作用,这对于纳米医学和药物输送应用至关重要.
- 开源代码允许更广泛的采用和进一步研究无标签的纳米粒子量化.
