在使用深度学习的牛卫星细胞中进行非侵入性光学成像的光标记器预测
Sania Sinha1, Aarham Wasit1, Won Seob Kim2
1Department of Computer Science and Engineering, Michigan State University, East Lansing, MI, United States.
Frontiers in artificial intelligence
|October 13, 2025
概括
这项研究介绍了一种非侵入性AI方法,使用深度学习来预测由牛卫星细胞的明亮场图像预测细胞质量标记. 该方法增强了用于组织工程和可持续蛋白质研究的细胞评估.
科学领域:
- * 生物技术和农业科学
- * 细胞生物学和组织工程
背景情况:
- *评估牛卫星细胞 (BSC) 质量对于开发组织工程肌肉结构至关重要.
- *应用包括推进可持续蛋白质生产和细胞农业.
研究的目的:
- * 开发一种非侵入性深度学习方法,用于从亮场显微镜图像中预测光细胞质量标记物.
- * 在不需要光成像的情况下评估细胞丰度 (DAPI) 和分化状态 (Pax7).
主要方法:
- * 卷积神经网络 (U-Net架构) 用于图像分析.
- * 实现了一个具有光信号消噪的图像预处理管道.
- * 用48个生物复制品的数据集进行评估.
主要成果:
- * Denoising显著提高了DAPI和Pax7标记物的预测准确性.
- *皮尔森对DAPI的比率从0.065增加到0.212;对Pax7的比率从0.020增加到0.124.
- *Pax7的平均平方误差 (MSE) 从44,753下降到18,793,表明预测得到改善.
结论:
- *人工智能驱动的非侵入性光学成像可以有效地评估组织生物学中的细胞质量.
- *优化数据预处理对于提高预测性能至关重要.
- * 这种方法支持机器学习在生物和农业应用中的整合.
