通过基于深度学习的无标签自动追踪加速发现细胞迁移调节器

科学领域:

• 细胞生物学 细胞生物学
• 生物技术是生物技术.
• 生物信息学是一种生物信息学.

背景情况:

• 细胞迁移对于免疫监测和组织修复等生物过程至关重要,也对瘤转移至关重要.
• 目前的细胞迁移测定通常是劳动密集型,缺乏单细胞分辨率,或需要光毒性标记,限制大规模研究.
• 需要可扩展的,公正的方法来分析细胞迁移动态,并了解其调节.

研究的目的:

• 开发和验证深度学习Brightfield成像和细胞跟踪 (DeepBIT),一个高吞吐量,单细胞迁移分析的无标签平台.
• 通过数据驱动的方法实现细胞迁移调节的系统解剖.
• 识别细胞迁移的新型调节剂,了解取决于环境的影响.

主要方法:

• DeepBIT利用卷积神经网络在没有光标签的情况下检测和跟踪亮场视频中的单个细胞.
• 该平台捕捉了多孔板中的活细胞行为,整合了核光以生成基准真相数据集和自动训练.
• 在840种疾病中对约130万个细胞轨迹进行高通量查,包括FDA批准的药物,ECM变异和遗传干扰.

主要成果:

• DeepBIT成功地在2分钟内追踪了每个井的1500个细胞,证明了高吞吐量和可扩展性.
• 该平台在FDA批准的化合物中确定了以前未被识别的运动调节剂.
• 观察到细胞迁移的重要上下文依赖调节,TNF-α和RhoA等线索表现出双重作用.

结论:

• DeepBIT为单细胞运动概况提供了一个无偏见,无标签和可扩展的解决方案.
• 该平台促进了细胞迁移调节的系统探索,与大型药物库和基因组工具兼容.
• 迪普比特 (DeepBIT) 能够增强对细胞迁移在各种生物环境中的理解和治疗向,包括癌症转移.