基于深度学习的光学图像识别实现的自动化高通量原子力显微镜单细胞纳米机械检测.

科学领域:

• 生物物理学的生物物理.
• 细胞生物学 细胞生物学
• 纳米技术 纳米技术

背景情况:

• 机械力对细胞功能至关重要,使单细胞机械特性成为一个关键的研究领域.
• 原子力显微镜 (AFM) 是测量这些属性的标准工具,但手动操作限制了其吞吐量.
• 现有的AFM方法耗时且依赖于操作人员,阻碍了大规模研究.

研究的目的:

• 开发一种自动化,高通量方法,用于使用AFM进行单细胞纳米机械测量.
• 将深度学习图像识别与AFM集成,用于精确的细胞和探针识别和操纵.
• 为了使活细胞的操作者独立和高效的纳米机械测定.

主要方法:

• 利用深度学习图像识别来识别细胞结构和AFM探测器在明亮场图像中.
• 实现基于图像识别的自动化采样阶段和AFM探头运动.
• 进行无标签识别,以准确定位特定细胞区域的探头.
• 进行了单细胞缩试验和单细胞力光谱.

主要成果:

• 实现了单个活细胞的自动化,高通量纳米机械测量.
• 证明了AFM探针在特定细胞部位上的准确和顺序定位.
• 显著提高了基于AFM的分析的效率和减少了操作员的依赖.
• 验证了时间效率高的单细胞缩和力光谱的方法.

结论:

• 深度学习辅助的AFM为高通量单细胞纳米机械提供了强大的自动化解决方案.
• 这项技术提供了操作者独立的测量,推进了机械生物学研究.
• 该方法促进了单个活细胞的高效和精确的机械表征.