相关实验视频
Updated: Jan 16, 2026
10:37
Induction and Analysis of Epithelial to Mesenchymal Transition
Published on: August 27, 2013
36.5K
深度学习驱动的形态分析用于评估单个瘤细胞的EMT状态和药物敏感性
Yiyao Yang1, Yuxin Guo2, Zhaoliang Wang3
1State Key Laboratory for Quality and Safety of Agro-Products, School of Materials Science and Chemical Engineering, Ningbo University, Ningbo, 315211, PR China.
Biosensors & bioelectronics
|October 1, 2025
概括
这项研究引入了一种深度学习模型,用于在循环瘤细胞 (CTC) 中对上皮层-介质细胞过渡 (EMT) 的非侵入性,无标签的评估. 该模型能够实时分析转移潜力的单细胞分析,改善癌症诊断.
科学领域:
- 在瘤学瘤学.
- 生物技术是生物技术.
- 计算生物学 计算生物学
背景情况:
- 转移是由循环瘤细胞 (CTC) 中的上皮细胞-介质细胞过渡 (EMT) 驱动的转移,在癌症治疗中构成了重大挑战.
- 现有的EMT检测方法具有侵入性,缺乏单细胞分辨率,不能提供实时洞察力,特别是对于罕见的CTC.
研究的目的:
- 开发一种新的深度学习模型,用于在单个或稀缺的CTC中量化EMT状态.
- 为评估转移潜力的CTC进行非侵入性,无标签的形态分析.
主要方法:
- 开发了一个基于卷积神经网络 (CNN) 的深度学习模型.
- 在MCF-7细胞中对TGF-β刺激的EMT进行监测,以确定关键的过渡时间点.
- 确定了EMT进展的五个不同的形态状态,并用于训练CNN模型进行无标签的形态分析.
主要成果:
- 美国有线电视新闻网 (CNN) 模型成功地使用无标签的形态分析在单个CTC中量化了EMT状态.
- 该方法提供单细胞分辨率和对EMT进展的实时动态洞察.
- 在CTC中实现了转移潜力的个体化评估.
结论:
- 这种基于深度学习的形态分析提供了一种非侵入性方法,用于在CTC中实时评估EMT.
- 该技术通过评估转移潜力来推进癌症管理的精确诊断和治疗策略.
- 能够准确地描述罕见的CTC,以改善癌症治疗结果.
