应用机器学习对多个个体的拉曼光谱数据来识别人类肝细胞增殖的不同阶段

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 频谱学是一种光谱学.

背景情况:

• 使用增殖人类肝细胞 (ProliHHs) 的细胞疗法为晚期肝病提供了有前途的治疗方法.
• 捐赠者之间的个体异质性在识别高质量的ProliHHs以获得一致的治疗结果方面带来了挑战.

研究的目的:

• 开发一个集成单细胞拉曼光谱的机器学习框架,以准确识别ProliHHs阶段.
• 通过强有力的质量控制来解决细胞治疗中供体异质性的挑战.

主要方法:

• 从多个通道和捐赠者中生成了一个超过14,000个拉曼光谱的存储库,这些光谱来自主要的人类肝细胞 (PHHs) 和ProliHHs.
• 采用移动窗口算法和差异分析来识别细胞阶段分化的潜在生物标志物.
• 利用机器学习模型对细胞阶段进行分类,用于捐赠者内部和跨捐赠者预测任务.

主要成果:

• 使用开发的机器学习框架,实现了ProliHHs细胞阶段的准确分类.
• 确定了能够区分不同细胞阶段的潜在光谱生物标志物.
• 证明了该框架在跨捐赠者预测中的有效性,突出了其通用性.

结论:

• 集成的机器学习和拉曼光谱框架使得用于细胞治疗的ProliHHs能够精确识别和质量控制.
• 工作流程的适应性表明,在再生医学中对其他细胞类型的潜在应用.
• 这种方法通过评估捐赠者和细胞数量影响,促进了细胞治疗开发中的质量控制设计的改进.