在CMOS容量感应平台上的实验室中,机器学习识别和分类癌细胞的线粒分裂和迁移

科学领域:

• 生物技术是生物技术.
• 细胞生物学 细胞生物学
• 传感器技术 传感器技术

背景情况:

• 传统的细胞检测 (免疫组织化学,免疫光学,流细胞计) 需要标记,限制其在集成器件中的使用.
• 使用CMOS电容传感器的无标签细胞培养试验为紧的分析系统提供了一个有希望的替代方案.
• 现有的电容传感器技术可以用于更详细的细胞行为分析.

研究的目的:

• 开发一个计算框架,用于在细胞培养试验中增强CMOS电容传感器.
• 为了能够无标签地识别和分类特定的细胞行为,如线粒分裂和迁移.
• 提高容量传感器的分析能力,用于单细胞分析.

主要方法:

• 使用CMOS电容传感器进行无标签的细胞培养监测.
• 从电容数据中设计了两个新的时间序列特征,用于细胞行为歧视.
• 开发了一个计算框架来分析电容时间序列数据的线粒分裂和迁移.
• 在多个实验中验证了特征表示技术,使用留下一个运行测试.

主要成果:

• 通过使用接收器操作特征 (ROC) 曲线进行细胞行为分类,实现了0.719的曲线下面面积 (AUC).
• 在不同的实验条件下证明了特征表示技术的稳定性和适用性.
• 获得了0.803的F-1分数和0.647的G-Mean在离开一个跑出验证中,确认可靠的分类.

结论:

• 开发的计算框架显著提高了使用CMOS电容传感器的无标签细胞培养试验.
• 工程时间序列的特征有效地区分单细胞行为,包括细胞分裂和迁移.
• 这种方法提供了一个强大的工具,用于在紧的,集成的系统中进行先进的细胞分析,而不需要标签.