在使用无标签成像和计算技术的小型芯片上的气道模型中彻底改变了表皮分化分析
Shiue-Luen Chen1,2, Ren-Hao Xie1,2, Chong-You Chen1,2
1Institute of Biomedical Engineering, College of Electrical and Computer Engineering, National Yang Ming Chiao Tung University, Hsinchu 300093, Taiwan.
Biosensors
|December 27, 2024
概括
这项研究引入了一个使用深度学习的无标签成像平台,用于预测人体小气道上皮细胞在器官芯片模型中的分化. 它提高了开发这些药物测试和生理评估的关键模型的效率.
科学领域:
- 生物医学工程 生物医学工程
- 细胞生物学 细胞生物学
- 微流体学 微流体学
背景情况:
- 器官芯片 (OOC) 系统对于模拟人类生理学和疾病至关重要.
- 对OOC数据的有效分析对于药物开发和毒理学至关重要.
- 目前在OOC模型中评估细胞分化的方法可能耗时且缺乏自动化.
研究的目的:
- 开发一个无标签的成像平台,用于在小型气道上芯片系统中分析人类小气道上皮细胞 (HSAEC).
- 为了利用深度学习来预测HSAEC的可区分性.
- 为了提高建立小型气道芯片模型的效率和稳定性.
主要方法:
- 一个无标签的形态成像平台与一个小型的气道芯片系统集成.
- 用深度学习和图像识别技术来分析HSAEC形态.
- 开发了一个定制的 MATLAB 程序,用于自动分析状细胞的击.
- 使用自动光颗粒追踪来评估粘膜细胞清除率.
主要成果:
- 深度学习方法准确地预测了HSAEC在4周的潜伏期后的差异性,使用来自第3天的成像数据.
- 实现了纤毛细胞跳动频率和粘膜细胞清除完整性的自动分析.
- 该平台在建立小型芯片上的气道模型方面展示了提高效率和稳定性.
结论:
- 深度学习,无标签成像和高级图像分析的整合为OOC研究提供了强大的工具.
- 这种方法为药物测试,环境毒理学和呼吸系统生理评估提供了显著的进步.
- 开发的平台能够对小气道上皮的功能进行前所未有的洞察,并促进有针对性的干预措施的开发.
更多相关视频
09:07Author Spotlight: Development and Characterization of an In Vitro Model to Study Chronic Cigarette Smoke Exposure and Its Impact on Airway Epithelial Cells in COPD Research
Published on: July 12, 2024
883
07:40Determining Ciliary Function and Membrane Impermeability of the Pseudostratified Lung Airway Epithelium
Published on: February 21, 2025
416
