基于无标签的高分辨率光学数据的单细胞分类细胞粘附动力学
Kinga Dora Kovacs1,2, Balint Beres1,3, Nicolett Kanyo1
1Nanobiosensorics Laboratory, Institute of Technical Physics and Materials Science MFA, HUN-REN Centre for Energy Research, Konkoly-Thege út 29-33, 1121, Budapest, Hungary.
Scientific reports
|May 16, 2024
概括
这项研究引入了一种无标签的光学生物传感器方法,通过分析单细胞粘附动力学来分类健康和癌细胞. 这种非侵入性技术通过深度学习实现了高精度,使其在细胞治疗和癌症研究中的应用成为可能.
科学领域:
- 生物医学工程 生物医学工程
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
背景情况:
- 细胞选择对于治疗和研究至关重要,但通常涉及侵入性标记方法.
- 目前的技术可能会损害细胞的活力和功能.
- 存在对非侵入性,高精度细胞分类方法的需求.
研究的目的:
- 开发和验证一种无标签的光学生物传感器,用于分类健康和癌症哺乳动物细胞.
- 评估深度学习模型在分析单细胞粘附动力学方面的表现,以确定细胞类型.
- 从分类模型中获得可解释的生物学见解.
主要方法:
- 使用光学生物传感器以无标签的方式监测单细胞粘附动力学.
- 收集了来自各种细胞类型的约4500个单细胞粘附测量的基准数据库.
- 应用深度学习模型,包括 grad-CAM可视化,用于分类和洞察力生成.
主要成果:
- 根据粘附动力学,在不同细胞类型之间实现了高分类准确性 (70-80%).
- 演示了深度神经网络使用仅使用无标签的动力数据来分类细胞的能力.
- 通过模型可视化,确定了驱动分类决策的关键特征.
结论:
- 无标签的光学生物传感器方法是对非侵入性单细胞分类的成功概念验证.
- 这种方法为细胞分析和体外癌症研究提供了有前途的工具.
- 非侵入性使其适用于下游应用,如细胞疗法和再生医学.
