使用神经网络和统计分布建模进行无标签的仿真抗原受体T细胞表达分析
Takehiko Ueda1, Ryo Kobayashi1, Nobuhiro Kasai2
1Solution Planning Department, Healthcare Business Unit, Nikon Corporation, 1-5-20 Nishioi, Shinagawa-ku, Tokyo, 140-8601, Japan.
Biochemical and biophysical research communications
|August 12, 2025
概括
一种新的无标签方法使用明亮场显微镜和深度学习来预测化学抗原受体T (CAR-T) 细胞表达率. 这种方法为CAR-T细胞疗法制造和研究提供了准确的实时监控.
科学领域:
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
- 免疫疗法是一种免疫疗法.
背景情况:
- 化学抗原受体T (CAR-T) 细胞疗法是血液癌症的关键治疗方法.
- 精确监测CAR表达对于CAR-T细胞治疗的有效性和安全性至关重要.
- 目前的流细胞计等方法是劳动密集型的,可以影响细胞特性.
研究的目的:
- 开发一种新的,无标签的方法来预测T细胞中CAR表达率.
- 建立在CAR-T细胞制造和研究中实时监控的实用解决方案.
- 为了提高当前CAR表达评估技术的准确性和效率.
主要方法:
- 使用明亮场显微镜与深度学习 (卷积神经网络) 相结合.
- 综合分类分数分布分析与高斯适合率估计.
- 与标准的基于抗体的流细胞计测量方法进行了验证.
主要成果:
- 在四个捐赠者中达到5%的标准流动细胞计测量的预测准确度.
- 将最大预测误差从13%降低到4.4%.
- 证明了第一个成功的无标签预测T细胞中CAR表达率.
结论:
- 这种新的无标签方法为监测CAR表达提供了实用和准确的方法.
- 这种技术简化了CAR-T细胞分析,仅依赖标准明亮场显微镜.
- 该方法适用于研究和制造环境,增强CAR-T细胞疗法开发.
