通过机器学习引导细胞形态特征和对纳米材料的反应的定量划分

科学领域:

• 生物物理学的生物物理.
• 细胞生物学 细胞生物学
• 机器学习 机器学习

背景情况:

• 评估细胞对诸如theranostic纳米材料等刺激的反应至关重要.
• 传统的方法 (光成像,流细胞计) 通常是复杂的,耗时的,可能会影响活细胞.

研究的目的:

• 开发一种无标签显微镜和机器学习方法,用于划分细胞类型,表型和状态.
• 为了有效地监测活细胞的反应,并补充传统的细胞分析技术.

主要方法:

• 使用无标签相对比或亮场显微镜.
• 员工监督随机森林用于像素分类到分段细胞.
• 提取了形态特征,并应用了主要成分分析和k-means集群.

主要成果:

• 成功地从背景区分细胞并提取定量形态特征 (大小,形状).
• 在看似均的群体中确定了潜在的异质细胞亚群和治疗反应.
• 证明了这种方法能够补充传统的细胞分析方法.

结论:

• 开发的无标签显微镜和机器学习方法有效地分析细胞形态和反应.
• 这种方法有可能简化用于早期疾病诊断和治疗监测的细胞分析.
• 它为传统方法提供了一个有希望的替代方案,特别是在活细胞分析方面.