D-MAINS:一种深度学习模型,用于在癌细胞中无标签检测线粒分裂,亡,介相,亡和衰老

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 细胞生物学 细胞生物学

背景情况:

• 识别细胞状态 (增殖,死亡,衰老) 对于研究至关重要.
• 目前使用分子生物标记物的方法昂贵,缓慢,需要光成像.

研究的目的:

• 开发一种快速,无标签的深度学习模型,用于分类多种细胞状态.
• 克服传统的基于分子生物标记的方法的局限性.

主要方法:

• 使用深度学习和相对比显微镜开发了线粒分裂,亡,间相,亡和衰老 (D-MAINS) 检测器.
• 采用机器学习和图像处理来分析单细胞分辨率.

主要成果:

• 在分类细胞状态方面,D-MAINS实现了高精度 (96.4 ± 0.5%).
• 该模型在各种细胞系,药物治疗和显微镜设置中表现出强度.
• 验证证实了D-MAINS对已确定的分子生物标志物的性能.

结论:

• D-MAINS提供了一个低成本,快速和无标签的解决方案,用于区分细胞状态.
• 该模型的多功能性支持生物医学研究中的广泛应用,特别是细胞死亡和瘤学研究.