人工智能和流式细胞计量
Dawei Lin1, Anupama Gururaj1, Sheng Lin-Gibson2
1Division of Allergy, Immunology, and Transplantation, National Institute of Allergy and Infectious Diseases (NIAID), National Institutes of Health (NIH), Bethesda, MD 20892, United States.
Journal of immunology (Baltimore, Md. : 1950)
|November 10, 2025
概括
人工智能 (AI) 和机器学习 (ML) 正在推动生物技术,但不一致的流细胞计 (FCM) 数据阻碍了进步. 这次研讨会涉及数据质量和人工智能准备,以解锁FCM.
科学领域:
- 生物技术是生物技术.
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 人工智能 (AI) 和机器学习 (ML) 在生物技术和生物经济中越来越重要.
- 流式细胞计 (FCM) 是生物技术创新的关键高通量单细胞分析技术.
- 在研究中FCM数据质量和一致性的显著差异会产生数据孤岛,限制AI应用.
研究的目的:
- 为解决AI应用流细胞计 (FCM) 数据质量和一致性的挑战.
- 在FCM中确定创建AI准备的参考数据的解决方案.
- 促进AI/ML应用在FCM数据分析方面的进步.
主要方法:
- 专注于标准化FCM数据的基本测量.
- 开发参考控制以确保数据的一致性.
- 探索适用于FCM数据的当前AI/ML模型.
- 为FCM建立AI准备的参考数据集.
主要成果:
- 确定了FCM数据质量和一致性的关键挑战.
- 建议的解决方案包括基本测量和参考控制.
- 强调需要AI准备的参考数据.
- 审查了当前用于FCM数据分析的AI/ML模型.
结论:
- 标准化,高质量的FCM数据对于有效的AI/ML实施至关重要.
- 开发AI准备的参考数据集将加速FCM中的AI应用.
- 合作和标准化方法对于通过FCM在生物技术中推进人工智能至关重要.
更多相关视频
10:46A Flow Cytometry-Based Cell Surface Protein Binding Assay for Assessing Selectivity and Specificity of an Anticancer Aptamer
Published on: September 13, 2022
4.3K
06:56A Flow Cytometry-based Assay to Identify Compounds That Disrupt Binding of Fluorescently-labeled CXC Chemokine Ligand 12 to CXC Chemokine Receptor 4
Published on: March 10, 2018
14.4K
