基于深度学习的预测个体细胞的散容量从形态特征
Tae Young Kang1, Soojung Kim2, Yoon-Hwae Hwang3
1Institute for Future Earth, Pusan National University (PNU), Busan 46241, Republic of Korea.
Biosensors
|November 26, 2025
概括
这项研究开发了一种深度学习方法,以纠正影响电气测量的细胞形状变化. 这提高了癌症诊断的准确性,因为它可以从测量器件中分离出真正的生物信号.
科学领域:
- 生物物理学的生物物理.
- 细胞生物学 细胞生物学
- 计算生物学 计算生物学
背景情况:
- 细胞膜的电特性通过表皮生长因子受体 (EGFR) 表达提供了对细胞状态和癌症诊断的洞察.
- 观察期间的形态变化混了电气测量,掩盖了对表皮生长因子 (EGF) 的真实生物反应.
研究的目的:
- 开发一种深度学习方法,以计算方式将细胞形态和电气特性联系起来.
- 在细胞的电学分析中纠正形态学诱导的测量错误.
主要方法:
- 在DPBS和EGF刺激下对HeLa细胞进行了光学捕捉和电容测量.
- 开发了一个卷积神经网络 (CNN) 来从形态图像中预测电容谱.
主要成果:
- 根据形态图像,CNN准确地预测了电容谱 (0.1-2 kHz) (在0.1-0.8 kHz时<10%的误差).
- 方法有效地通过减去形态依赖的电容成分来隔离真正的生物反应.
- 在多样化的细胞形态和实验条件下表现出强大的预测.
结论:
- 开发的深度学习方法提供了一个计算框架,用于纠正电气测量的形态诱导错误.
- 这大大提高了基于EGFR的癌症诊断的精度和可靠性.


