机器学习辅助的光谱指纹用于免疫细胞表型化

科学领域:

• 生物医学工程 生物医学工程
• 纳米技术纳米技术
• 细胞生物学 细胞生物学

背景情况:

• 光谱指纹识别可以识别化合物和细胞相互作用.
• 巨细胞表型 (M1/M2) 在免疫和疾病中起着至关重要的作用.
• 工程纳米材料为细胞分析提供了潜力.

研究的目的:

• 为了研究DNA功能化单壁碳纳米管 (DNA-SWCNTs) 和活细胞之间的相互作用.
• 利用近红外 (NIR) 光光谱指纹和机器学习进行现场表型歧视.
• 探索DNA序列长度对DNA-SWCNT稳定性和相互作用有效性的影响.

主要方法:

• 接近红外 (NIR) 光光谱指纹.
• 拉曼显微镜用于评估DNA-SWCNT吸收和缺陷.
• 支持向量机 (SVM) 模型用于表型分类.
• 分析内内体环境和光学特征.

主要成果:

• 与M2和原始表型相比,M1巨细胞的DNA-SWCNT吸收率统计较高,缺陷比率较低.
• 在NIR光数据中的明显的光学特征作为不同巨细胞表型的标记.
• SVM模型在识别M1和M2巨细胞方面实现了>95%的准确性.
• 较短的DNA序列 (例如,GT₆) 由于增加了SWCNT相互作用,提高了模型准确性 (>87%).

结论:

• 与机器学习相结合的NIR光谱指纹可以准确识别巨细胞的表型.
• DNA-SWCNT稳定性和序列长度对于有效的细胞分析至关重要.
• 这种方法对开发基于纳米材料的平台进行实时in vivo细胞监测具有前景.