深度学习解锁了微流体中癌症球体的无标签可行性评估

科学领域:

• 在瘤学瘤学.
• 生物技术是生物技术.
• 人工智能的人工智能

背景情况:

• 改进癌症疗法需要使用3D细胞培养物进行准确的药物有效性评估.
• 传统的二维细胞培养和当前的三维活力测试在可靠性和细胞毒性方面存在局限性.
• 微流体平台为3D癌症模型提供高通量查能力.

研究的目的:

• 开发一种非破坏性的,无标签的深度学习模型,用于估计癌症球状体的生存能力.
• 在微流体药物查中建立一个具有成本效益和高通量解决方案,用于持续的球状体监测.
• 验证模型的性能并评估其普遍应用的潜力.

主要方法:

• 开发一个深度学习模型,分析3D癌症球体的相对比图像.
• 利用微流体技术创建一个高吞吐量平台,每个芯片产生大约12,000个球体.
• 使用八种常规化疗药物的验证和与LIVE/DEAD染色的比较.

主要成果:

• 深度学习模型与传统的可行性测试有很强的相关性.
• 该模型显示了新型化合物和细胞系的有希望的结果,这表明了普遍适用的潜力.
• 该方法在不同的显微镜设置中被证明是可转移的,并允许跟踪动态可行性变化.

结论:

• 集成平台将高通量微流体测定与深度学习相结合,以进行可靠的球形可行性估计.
• 这种方法为癌症药物查提供了具有成本效益和可靠的替代方案.
• 该模型在各种细胞系,化合物和研究环境中具有广泛的适用性.