验证用于癌症检测和识别的微流体装置原型:基于细胞轨迹分析的循环瘤细胞分类利用基于细胞的建模和机器学习

科学领域:

• 生物医学工程 生物医学工程
• 计算生物学 计算生物学
• 癌症研究 癌症研究

背景情况:

• 微流体装置 (MDs) 提供了用于检测循环瘤细胞 (CTCs) 的新方法.
• 目前的CTC检测方法往往导致异质种群,需要复杂,昂贵和耗时的下游处理来识别表型.
• 需要对CTC分类采取高效和具有成本效益的方法.

研究的目的:

• 研究一种成本效益高的超均微位微流体装置 (MD),用于分类循环瘤细胞 (CTC).
• 开发和验证一个结合流体动力学和机器学习的计算框架,用于CTC表型分析.
• 评估这种方法在早期癌症检测方面的潜力.

主要方法:

• 开发了一种基于细胞的建模框架,模拟了在微流体通道中的流体结构相互作用,其中含有红细胞的血流.
• 产生了大量的循环瘤细胞 (CTC) 轨迹数据集,代表了两个不同的表型.
• 利用卷积神经网络 (CNN) 和循环神经网络 (RNN) 基于轨迹数据进行CTC表型分类.

主要成果:

• 超均的微位微流体装置 (MD) 设计在区分不同循环瘤细胞 (CTC) 现型方面表现出有效性.
• 机器学习模型根据模拟的细胞轨迹数据准确地分类了CTC表型.
• 该方法成功考虑了复杂的等离子体流环境中的CTC动态.

结论:

• 超均微位微流体装置 (MD) 与机器学习相结合,为循环瘤细胞 (CTC) 分类提供了一个有希望的,具有成本效益的策略.
• 这种方法有可能简化CTC分析并提高早期癌症检测能力.
• 进一步开发可能会导致更容易获得和更有效的癌症诊断.