通过神经网络启用多参数阻抗信号模板,用于在粘弹性延伸流下高吞吐量单细胞可变性细胞计

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:

• 细胞生物物理指标在转移和免疫激活期间发生变化,为活细胞亚种群识别提供了潜在的潜力.
• 基于图像的细胞计量量化了细胞的可变性,但需要复杂的图像重建,限制了实时分类应用.
• 阻抗细胞计提供了对细胞活力和内部结构的功能性见解,补充了成像技术.

研究的目的:

• 开发一种快速的,直线的方法来量化单细胞生物物理指标用于细胞分类.
• 利用阻抗细胞计信号与神经网络进行精确的细胞变形性测量.
• 为了使活癌细胞和相关纤维细胞的多参数分类.

主要方法:

• 一个多层感知神经网络被用于信号模板使用原始阻抗数据从扩展流下的细胞.
• 神经网络使用图像衍生度量进行训练,以确定净电异性,量化细胞变形性.
• 支持矢量机器模型用于基于可变形性和电生理学指标的多参数分类.

主要成果:

• 神经网络方法准确地量化了细胞变形能力在广泛的异构形状,最大限度地减少错误来自细胞大小的变化.
• 综合的可变性和电生理学指标使得活胰腺癌细胞与癌症相关纤维细胞的有效分类成为可能.
• 该方法展示了实时,高通量分析和活细胞亚群的分类潜力.

结论:

• 一种新的阻抗细胞计和神经网络方法可以准确地实时测量细胞可变性和电特性.
• 这种技术促进了多参数细胞分类,对于针对性药物查和癌症诊断等应用至关重要.
• 开发的方法克服了传统成像细胞计量在线细胞分类和分析的局限性.