基于AFM的深度学习解读了人类巨机械表型
Jiaxin Chen1,2,3,4, Hao Wu5, Wenjie Yang1,3,6
1Laboratory of Inflammation and Vaccines, Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences, Shenzhen, Guangdong, 518055, China.
Small methods
|July 29, 2025
概括
这项研究引入了一个AI-原子力显微镜平台,用于无标签的巨细胞表型化. 它准确地区分炎症性 (M1) 和修复性 (M2) 巨细胞状态,使用生物机械性质,推进机免疫学.
科学领域:
- 免疫学 免疫学 免疫学
- 生物物理学的生物物理.
- 人工智能的人工智能
背景情况:
- 巨细胞分化为M1 (炎症) 和M2 (修复) 现象型对于免疫和组织修复至关重要.
- 对于巨细胞表型的传统方法是破坏性的,静态的,并忽略了生物机械性质.
- 了解巨细胞机制对于诊断和治疗至关重要.
研究的目的:
- 开发一个无标签,非破坏性平台,用于巨细胞机械类型.
- 使用人工智能 (AI) 和原子力显微镜 (AFM) 进行单细胞分析.
- 建立细胞机制和免疫功能之间的联系.
主要方法:
- 开发了一个集成的AI-AFM平台,用于对巨细胞进行纳米级力图绘制.
- 捕获了形态和纳米机械形状 (Young的模量,粘附,球性).
- 深度神经网络 (DNN) 用于对巨细胞表型的强有力的分类.
主要成果:
- 在没有免疫标记的情况下,AI-AFM平台准确地区分了原始 (M0),M1和M2巨细胞表型.
- 该系统在人类捐赠者的异质性中表现出了稳健性.
- 鉴定出混合的巨细胞极化状态,将细胞骨重塑与机械生物标志物相关联.
结论:
- 细胞力学可以作为免疫监测和诊断的关键维度.
- 开发的平台为免疫细胞分析提供了一个动态的,非破坏性的策略.
- 这项工作为新兴的机械免疫学领域奠定了基础.
