无污点方法来确定和监测细胞健康使用监督和无监督的基于图像的深度学习
Nidhi G Thite1, Emma Tuberty-Vaughan2, Paige Wilcox2
1Department of Chemical and Biological Engineering, University of Colorado Boulder, Boulder, CO 80309, USA.
Journal of pharmaceutical sciences
|May 6, 2024
概括
这项研究引入了一种使用流影像显微镜的无污染深度学习方法,以评估基于细胞的药品的细胞健康状况. 该方法准确地预测了细胞活力,并且可以在没有复杂染色的情况下区分细胞状态,从而提高了质量控制.
科学领域:
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
- 人工智能在医学中的应用
背景情况:
- 基于细胞的药物 (CBMP) 为复杂疾病提供了新的治疗潜力.
- 目前的细胞质量控制方法往往是劳动密集型,昂贵,并依赖于特定的染色试验.
- 对于CBMP制造而言,急需的是快速,稳固和非侵入性的分析技术.
研究的目的:
- 开发和验证一种基于深度学习的无染方法,用于CBMP中细胞健康评估.
- 利用流量成像显微镜 (FIM) 和细胞形态学来预测细胞活力和状态.
- 探索无监督学习 (变量自动编码器) 在CBMP生产过程监控中的实用性.
主要方法:
- 结合基于图像的深度学习与未染色的Jurkat细胞上的流影像显微镜 (FIM).
- 开发了一个受监督的指纹算法,训练在健康,死亡和亡细胞的标记图像上.
- 使用无监督变异自编码器 (VAE) 进行形态特征学习和样本分类.
主要成果:
- 无染色方法准确预测了细胞活力,与传统的基于染色的测试有很好的一致性.
- 监督的算法成功地区分了健康细胞,死亡细胞和亡细胞,而不依赖于特定的治疗方法.
- 无监督的VAE有效地对细胞状态进行了分类,并根据学习的形态特征识别了细胞碎片,而没有人类标签.
结论:
- 深度学习与FIM相结合,为CBMP制造中的细胞质量控制提供了强大的,非侵入性的,非破坏性的方法.
- 没有污点的形态指纹提供了比传统方法更快,更具成本效益的替代方案.
- 无监督的VAE显示出作为实时流程监控细胞治疗生产的探索性工具的巨大潜力.
