使用无标签的基于深度学习的自动追踪加速发现细胞迁移调节器

科学领域:

• 细胞生物学 细胞生物学
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 细胞迁移对于发育和疾病 (例如转移) 至关重要,但在规模上进行研究是具有挑战性的.
• 现有的细胞迁移试验缺乏吞吐量,单细胞分辨率,或需要细胞标记,限制机械洞察力.
• 高通量分析是必要的,以了解影响细胞运动的复杂分子和环境因素.

研究的目的:

• 开发一种高通量,无标签的方法来分析单细胞迁移.
• 建立一个机器视觉和深度学习工作流程 (DeepBIT),用于自动化细胞跟踪.
• 通过使用新试验,研究癌细胞迁移的分子和细胞外调节剂.

主要方法:

• 开发了一种96井板成像工作流程,用于实时观察细胞迁移.
• 创建并验证了DeepBIT,这是一个深度学习模型,用于在时间缩短视频中自动检测和跟踪细胞.
• 应用了测试来选小分子抑制剂,细胞外矩阵变异和影响癌细胞运动的CRISPR淘汰.

主要成果:

• 在70个小时内,DeepBIT能够在840个条件下跟踪约130万个细胞,这项任务需要约5.5年的手动跟踪.
• 该试验成功地确定了癌细胞迁移的以前未知的分子调节者.
• 证明原蛋白含量可以改变细胞骨分子在细胞迁移中的调节作用.

结论:

• DeepBIT 工作流显著提高了吞吐量,并减少了细胞迁移研究中的偏差.
• 这种方法有助于发现细胞运动的新型调节剂及其与微环境的相互作用.
• 这些发现为癌细胞迁移和转移提供了新的机制性见解.