使用深度学习预测皮科纽顿受体张力图像

科学领域:

• 细胞生物学 细胞生物学
• 生物物理学的生物物理.
• 生物工程是生物工程.

背景情况:

• 皮科纽顿 (pN) 受体力量对于细胞功能至关重要,但很难测量.
• 分子张力探针 (MTP) 提供了一种测量这些力的方式,但在复杂的细胞环境中存在局限性.

研究的目的:

• 开发一种人工智能驱动的方法,即张力深度学习 (TensionDL),用于预测PN受体张力图.
• 克服MTPs在测量细胞力方面的局限性,特别是在异质环境中.

主要方法:

• 利用卷积神经网络和图像对图像的翻译.
• 使用细胞形态和素图像训练模型.
• 在不同的细胞类型和基质刚度中验证了张力DL.

主要成果:

• 张力DL准确地预测pN受体在亚细胞和细胞水平上的张力图.
• 该模型在各种实验条件下显示出强度.
• 启用了细胞机械输出和长期张力映射的半定量预测.

结论:

• 张力DL提供了一个强大的,非侵入性的工具,用于绘制细胞中的pN受体力量.
• 人工智能方法增强了复杂和异质生物系统中细胞力学的研究.
• 有助于更深入地了解细胞力量如何影响生物过程.