相关实验视频
Updated: Sep 16, 2025
10:11
Imaging of Extracellular Vesicles by Atomic Force Microscopy
Published on: September 11, 2019
13.5K
基于深度学习的NSCLC衍生的细胞外囊的分类使用AFM纳米机械签名
Soohyun Park1, Youngkyu Kim2, Jung-Hee Kim3
1Division of Biomedical Technology, Daegu Gyeongbuk Institute of Science and Technology (DGIST), Daegu 42988, Republic of Korea.
Analytical chemistry
|July 8, 2025
概括
这项研究使用原子力显微镜和深度学习来分析非小细胞肺癌 (NSCLC) 的细胞外囊泡. 该方法准确地区分了癌症EVs,显示了改善液体活检诊断的潜力.
科学领域:
- 生物物理学的生物物理.
- 癌症生物学 癌症生物学
- 纳米技术纳米技术
背景情况:
- 非小细胞肺癌 (NSCLC) 是癌症死亡的主要原因.
- 液体活检为NSCLC诊断提供了一种非侵入性的方法.
- 细胞外囊泡 (EVs) 是关键的瘤微环境信使,但它们的表征具有挑战性.
研究的目的:
- 使用原子力显微镜 (AFM) 来描述不同NSCLC亚型的EV的纳米机械性质.
- 开发一个深度学习模型,用于增强NSCLC衍生的EVs的分类.
- 评估AFM和深度学习在NSCLC中提升液体活检的潜力.
主要方法:
- 使用AFM分析NSCLC细胞系 (A549,PC9,PC9/GR) 和对照细胞系 (BEAS-2B) 的EV的刚度和纳米机械特性.
- 开发了一个基于DenseNet的深度学习模型,以整合AFM图像中的纳米机械和形态特征用于EV分类.
- 用曲线下的面积 (AUC) 和分类准确度来评估诊断性能.
主要成果:
- 从A549细胞 (KRAS突变) 衍生出的EV与其他细胞类型相比,表现出显著更高的刚性,可能是由于脂质变化.
- 来自EGFR突变NSCLC细胞系 (PC9,PC9/GR) 的EV显示重叠的纳米机械性质.
- 深度学习模型实现了0.92的AUC,在分类A549衍生的EVs时准确率为96%.
结论:
- 这项研究证明了使用AFM和深度学习的NSCLC衍生的EV的第一个纳米机械分类.
- 纳米机械和形态数据的整合显著提高了液体活检的诊断性能.
- 深度学习增强的AFM分析对NSCLC的精确诊断具有前途,未来需要在临床样本中进行验证.
