细胞pose作为一种可靠的方法,用于单细胞细分的自光显微镜图像

科学领域:

• 生物光子学 生物光子学
• 细胞成像 细胞成像
• 显微镜中的机器学习

背景情况:

• 自体光显微镜提供无标签的细胞对比度,但在低信号噪声比 (SNR) 图像方面存在困难.
• 传统的细胞细分工具在低SNR自光数据上表现不佳,需要新的方法.
• 深度学习网络Cellpose在细分多种细胞显微镜图像方面表现出广泛的适用性.

研究的目的:

• 验证Cellpose用于细分自身光图像,特别是NAD的多光子强度图像.
• 在Cellpose中开发和评估用于核细分的自光训练模型 (ATM).
• 评估Cellpose ATM细分的准确性和可重复性与功能细胞分析的手动细分相比.

主要方法:

• 训练了一个Cellpose自光训练模型 (ATM),使用从NAD (P) H强度图像中手动分割的核面具.
• 在各种代谢和化疗治疗下,应用ATM对PANC-1细胞和患者衍生的癌症器官进行细分.
• 与共注册的光终身成像显微镜 (FLIM) 数据 (NAD,P,H,FAD) 进行细分面具比较,以分析光学氧化还原比 (ORR) 和光衰变参数.

主要成果:

• 蜂式ATM口罩的可复制性明显高于重复的手动细分 (Dice分数,p < 0.0001).
• 在ATM和手动口罩之间观察到ORR,平均NAD(P) H寿命和平均FAD寿命的高相关性 (R2>0.9).
• 在不同的处理条件和培养种类中,ATM和手动细分保持了ORR和FLIM参数的相似平均值,差异和效果大小.

结论:

• Cellpose ATM提供了一种快速,可靠,可复制和准确的方法,用于在自光显微镜中对单细胞进行细分.
• 这种方法有效地捕捉了使用无标签成像的2D和3D培养中的功能细胞变化.
• 验证的Cellpose ATM提高了吞吐量,并减少了基于自光的细胞分析中的观察者间偏差.