在微中聚合细胞核,以使用深度学习进行疾病诊断
Bettina Roellinger1, Francois Thenier2, Claire Leclech3
1Laboratoire d'hydrodynamique, Ecole Polytechnique, Institut Polytechnique de Paris, 91120, Palaiseau, France. bettina.roellinger@polytechnique.edu.
Scientific reports
|July 1, 2025
概括
这项研究表明,深度学习可以对微基板上生长的细胞中的核变形进行分类. 这种方法可以准确地区分健康细胞和带有拉米诺病变的细胞,有助于诊断疾病.
科学领域:
- 细胞生物学 细胞生物学
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 异常的核机械性质与拉米诺病和癌症等疾病有关.
- 微洞基板模仿地下膜拓,诱导细胞中的3D核变形.
- 健康细胞和拉米诺病患者的细胞核变形不同.
研究的目的:
- 评估变量自编码器 (VAE) 和高斯混合模型 (GMM) 用于集群核形态.
- 评估图像处理对集群性能的影响.
- 为了将核变形集群与野生型和拉米诺病相关突变相关联.
主要方法:
- 在微槽基板上培养野生类型和拉米诺病相关突变肌细胞体.
- 将变化自编码器 (VAE) 结合高斯混合模型 (GMM) 应用于核图像补丁.
- 分析基于图像处理参数的聚类性能.
主要成果:
- 根据形态和变形,VAE和GMM成功地聚集了细胞核.
- 集群对应于野生类型的肌肉细胞或具有LMNA突变的肌肉细胞.
- 该方法证明了核变形的准确分类.
结论:
- 深度学习与微槽基板相结合,可以自动分类核变形.
- 这种技术为快速诊断涉及核变形异常的疾病提供了有前途的方法.
- 这项研究强调了人工智能在识别与遗传疾病相关的细胞表型方面的潜力.
