深度学习解码的拉曼光谱法用于通过脂质-蛋白质生物标志物进行小时规模的iPSC多能性评估
Jianhui Wan1,2,3, Yuheng Wang1,2,3, Weile Zhu1,2,3
1Institute of Advanced Photonics Technology, School of Information Engineering, Guangdong University of Technology, Guangzhou 510006, China.
Analytical chemistry
|November 13, 2025
概括
我们开发了一种使用深度学习和拉曼光谱来评估诱导多能干细胞 (iPSC) 多能性的快速,无标签的方法. 这种技术为再生医学应用提供了快速,准确的质量控制.
科学领域:
- 生物技术是生物技术.
- 干细胞生物学 干细胞生物学
- 计算生物学 计算生物学
背景情况:
- 评估诱导多能干细胞 (iPSC) 多能性对于再生医学至关重要.
- 传统方法具有侵入性,需要标签,并且耗时,限制了动态监测.
研究的目的:
- 开发一种快速的,无标签的方法,通过深度学习和拉曼光谱来评估iPSC多能性.
- 建立适合临床应用的iPSC新质量控制框架.
主要方法:
- 诱导多能干细胞 (iPSCs) 用中等改变培养,以调节多能性.
- 拉曼光谱法被用来获取不同多能状态的iPSC的光谱数据.
- 一个一维的卷积神经网络 (1D-CNN) 被训练在光谱数据上的多能分类.
主要成果:
- 1D-CNN模型在分类多能状态时实现了97.10%的平均准确性.
- 多能异常在1小时后,在形态变化之前,以98.00%的准确度检测到多能异常.
- 脂质和蛋白质被确定为多能性的关键拉曼光谱生物标志物.
结论:
- 这种综合方法为非侵入性干细胞诊断提供了一个范式转变.
- 该方法为iPSCs提供了快速,准确和无标签的质量控制.
- 这些发现将iPSC多能性与PI3K/AKT通路活性联系起来.
更多相关视频
06:16Author Spotlight: Unraveling the Pathogenesis of Age-Related Macular Degeneration and Discovering Potential Therapies
Published on: July 28, 2023
3.0K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
1.0K
