基于深度学习的in silico标签用于分析MSC的形态特征,以预测免疫调节能力
Zhiyu Liu1, Gang An2, Xiao Liang3
1Shenzhen Cellauto Automation Co., Ltd, Shenzhen, China.
Communications biology
|March 11, 2026
概括
这项研究引入了一个AI框架,使用深度和机器学习来预测从细胞图像中介质干细胞 (MSCs) 的免疫调节能力. 这种非侵入性方法增强了用于细胞疗法制造的MSC功效评估.
科学领域:
- 生物技术是生物技术.
- 细胞生物学 细胞生物学
- 人工智能的人工智能
背景情况:
- 细胞形态对于生物功能至关重要.
- 传统的细胞检测方法具有侵入性和劳动密集性.
- 评估介质干细胞 (MSCs) 的功效对于细胞疗法至关重要.
研究的目的:
- 开发一种非侵入性人工智能 (AI) 框架,用于预测MSC免疫调节能力.
- 使用形态分析来实时评估MSC的功效.
- 为了提高细胞疗法制造的质量控制.
主要方法:
- 综合深度学习 (DL) 和机器学习 (ML) 模型.
- 采用了改进的PreAct-ResNet50编码解码器用于细胞和核实例细分.
- 利用LightGBM模型从形态特征预测免疫调节生物标志物.
主要成果:
- 实现了细胞和细胞核的高精度实例细分.
- 使用形态特征成功预测了MSC免疫调节生物标志物.
- 在细胞细分和生物特征预测方面表现满意.
结论:
- 人工智能框架提供了一种高效的,非侵入性的工具,用于实时评估MSC功效.
- 这种方法可以显著改善细胞疗法制造中的质量控制.
- 通过人工智能进行形态分析,为传统方法提供了可行的替代方案.
更多相关视频
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
1.2K
13:26Visualization and Quantification of Mesenchymal Cell Adipogenic Differentiation Potential with a Lineage Specific Marker
Published on: March 31, 2018
10.4K
