自动门 (AutoGater):一个弱监督的神经网络模型,用于在流动细胞计分析中对门细胞进行分析

科学领域:

• * 生物技术和生物医学工程
• * 细胞生物学和免疫学

背景情况:

• *流细胞计是一种强大的细胞分析技术,但死细胞可以显著干扰结果.
• *目前排除死细胞的方法通常依赖于光污染,这增加了时间,并消耗了宝贵的光通道.
• * 需要有效的,无污染的方法来准确地识别流细胞计数据中的可活细胞.

研究的目的:

• * 开发和验证一种无污染的深度学习方法,用于识别和排除流细胞计中的死细胞.
• *为了证明AutoGater在将健康细胞从垂死和死亡人群中分离的有效性.

主要方法:

• * 开发了AutoGater,这是一个低监督的深度学习模型.
• *仅使用光散射通道进行细胞群区分.
• *与涉及光染料 (如Sytox) 和殖民地形成单位 (CFU) 的传统方法进行验证.

主要成果:

• *AutoGater仅使用光散射数据,成功地将健康细胞群与不健康和死亡细胞分开.
• *该模型提供了无染色可行的细胞的识别,并保留了其他标记物的光通道.
• *AutoGater协调细胞死亡的测量,与传统的生命力测试相关联.

结论:

• *AutoGater提供了一种强大的,高效的无污染替代品,用于在流细胞计中排除死细胞.
• *这种方法简化了实验工作流程,并提高了多参数分析的能力.
• * 深度学习方法提供了一种可靠的方式来提高流细胞计数据解释的准确性.