CG-RecNet:通过成像流细胞测量进行神经干细胞分化无标签分类的封闭和注意力融合的深度学习框架
Qinzi Li1, Fang Liu1, Junyu Zhou2
1College of Life Sciences, Sichuan Agricultural University, Ya'an, China.
Frontiers in cell and developmental biology
|March 4, 2026
概括
我们开发了CG-RecNet,这是一个深度学习框架,用于使用成像流细胞计对神经干细胞 (NSC) 分化进行非侵入性分类. 这种方法可以准确地识别神经元,天体细胞和寡干细胞血统,推动再生医学研究.
科学领域:
- 神经科学是一个神经科学.
- 生物技术是生物技术.
- 人工智能的人工智能
背景情况:
- 精确监测神经干细胞 (NSC) 分化对于再生医学至关重要.
- 传统的方法,如免疫化学染色,是侵入性的,防止实时分析.
研究的目的:
- 开发一种非侵入性,准确的方法来分类NSC差异化谱系.
- 通过使用深度学习来实现NSC差异化的纵向监测.
主要方法:
- 提出了CG-RecNet,这是一个使用亮场成像流动细胞计 (IFC) 数据的深度学习框架.
- 集成的LinAngular跨频道注意力 (LinAngular-XCA) 和封闭的卷积神经网络 (GatedCNN) 为增强的特征提取和降低噪音.
主要成果:
- 在老鼠胚胎NSC上,CG-RecNet获得了96.40%的准确性和0.9979的宏观平均AUC.
- 在没有过量采样的情况下,在识别寡头细胞血统方面表现出高精度.
- 格拉德-CAM分析证实了与生物相关特征的对齐.
结论:
- CG-RecNet为NSC研究提供了一个可靠,非侵入性和可解释的工具.
- 这一框架显著推进了无标签监测NSC差异化.
- 能够实时分析,对于再生医学应用至关重要.


