以数据为导向的分析用于评估非粘附细胞的皮质力学
Nicholas Hallfors1,2,3, Charalampos Lamprou1,2, Shaohong Luo1
1Department of Biomedical Engineering and Biotechnology, Khalifa University, 127788, Abu Dhabi, UAE.
Scientific reports
|March 21, 2025
概括
这项研究引入了一种新的微制造阵列和深度学习,用于对单细胞进行快速的原子力显微镜 (AFM) 分析. 这种方法自动化了细胞变形性测量和药物效应分类,大大加快了研究.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 材料科学 材料科学 材料科学
背景情况:
- 原子力显微镜 (AFM) 分析单个细胞,特别是不粘附的细胞,耗时且劳动密集.
- 扩大单细胞分析在吞吐量和数据处理方面带来了重大挑战.
研究的目的:
- 开发一种高通量方法,使用AFM分析单细胞机械性能.
- 通过深度学习自动化和简化AFM数据的分析.
- 研究细胞骨药物对细胞可变性的影响.
主要方法:
- 用于单细胞捕获的可重复使用的聚二甲基氧基微阵列的制造.
- 原子力显微镜 (AFM) 的应用,使用无尖尖的悬臂来测量细胞变形性.
- 开发和应用深度学习模型,用于直接分析AFM力曲线.
主要成果:
- 深度学习模型在弹性提取方面实现了0.47的确定系数.
- 细胞状态的二进制分类实现了曲线下的面积得分为0.91.
- 药物效应的多类分类显示每种药物的准确度得分超过0.9.
结论:
- 微波阵列和深度学习的综合方法显著简化了单细胞AFM分析.
- 这种方法展示了多功能性和潜在的泛化到其他应用程序,包括药物检测.
- 开发的平台可以有效地研究细胞力学和药物诱导的可变性变化.
