使用微流体液滴平台对瘤球体进行化疗的无标签机器学习预测.

科学领域:

• 生物技术是生物技术.
• 癌症研究 癌症研究
• 微流体学 微流体学

背景情况:

• 评估抗癌药物的疗效传统上需要广泛的细胞培养和生化分析.
• 3D细胞模型,如球体,更好地模仿体内瘤环境,但会带来分析挑战.
• 在3D模型中快速准确地评估治疗反应对于有效的药物发现至关重要.

研究的目的:

• 开发一个集成的,无标签的平台,以快速评估3D球形模型中的抗癌治疗效果.
• 结合微流体学,形态分析和机器学习,用于高通量药物查.
• 建立一个可扩展和可解释的方法来评估药物疗效和确定半最大抑制度 (IC50) 值.

主要方法:

• 使用基于滴滴的微流体平台进行球形形成和单球形药物应用.
• 使用无标签的形态分析来提取球形特征 (尺寸,颜色强度).
• 应用机器学习 (神经网络) 在形态数据上进行训练,以分类球形生命力,与代谢测试进行基准测试.

主要成果:

• 该平台准确地预测了球状体的活力,并生成了剂量反应曲线,产生了与传统测试可比的IC50值.
• 在细胞系数据上训练的机器学习模型通过成功分类患者衍生异种移植 (PDX) 球体来证明适应性.
• 无标签的机器学习方法需要较小的训练数据集,并且比卷积神经网络方法提供更大的解释性.

结论:

• 开发的集成平台是一个可扩展,高效和动态的工具,用于抗癌药物查.
• 无标签的形态分析与机器学习相结合,提供了一种可靠和可解释的方法,用于在3D模型中评估药物反应.
• 这种方法减少了细胞需求,提高了分类质量,加速了药物发现管道.