基于多种染色方法的半定量评分标准,结合机器学习来评估脱细胞化矩阵中的残留核
Meng Zhong1,2, Hongwei He1,2, Panxianzhi Ni1,2
1National Engineering Research Center for Biomaterials, Sichuan University, Chengdu, Sichuan 610064, China.
Regenerative biomaterials
|January 31, 2025
概括
在脱细胞化细胞外基质 (dECM) 中检测残留核至关重要. 将四种染色方法与机器学习相结合,提高了dECM生物材料中核残留物识别的准确性和效率.
科学领域:
- 生物材料科学 生物材料科学
- 细胞生物学 细胞生物学
- 生物技术是生物技术.
背景情况:
- 脱细胞化细胞外基质 (dECM) 生物材料需要严格的质量控制.
- 在dECM中检测残留核对于生物相容性至关重要,但由于杂质而具有挑战性.
- 目前在dECM中检测残留核的方法缺乏智能分析,容易受到干扰.
研究的目的:
- 开发一种更准确,更客观的方法来检测dECM生物材料中的残留核.
- 克服现有方法在区分核和杂质方面的局限性.
- 提高dECM质量评估的效率和可靠性.
主要方法:
- 采用了四种染色技术:血素-氨酸,乙卡胺,费尔根反应和4',6-二胺-2-英 (DAPI).
- 量化评估染色参数 (面积,周边,灰度) 以创建一个半量化评分系统.
- 采用机器学习模型,对核参数特征进行训练,用于自动识别核.
主要成果:
- 没有任何一种染色方法可以可靠地区分核和杂质.
- 一个半定量评分表在识别单个细胞核时取得了超过98%的准确性.
- 结合四种染色方法,消除了来自杂质污染的错误阳性.
- 人工智能模型在检测残留原子核方面取得了超过90%的准确性.
结论:
- 与机器学习集成的多维参数分析显著提高了dECM中残留核检测的准确性.
- 这种新的方法提供了一种可靠,客观和高效的方法来评估dECM生物材料.
- 开发的AI模型为dECM生产中的质量控制提供了强大的解决方案.
