Автоматизированная ячейка

Том 12 научных докладов, номер статьи: 19873 (2022) Цитировать эту статью

853 Доступа

1 Цитаты

2 Альтметрика

Подробности о метриках

Это исследование было направлено на автоматическую классификацию живых клеток на основе их типа путем анализа закономерностей обратного рассеяния сигналов клеток с минимальным влиянием на нормальную физиологию и активность клеток. Наши предыдущие исследования показали, что акустическое зондирование без меток с использованием высокочастотного ультразвука с высокой частотой повторения импульсов (PRF) может захватывать и анализировать один объект из гетерогенного образца. Однако решающее значение имеет исключение возможных ошибок при ручной настройке и трудоемких процессов при постобработке интегральных коэффициентов обратного рассеяния (IB) сигналов обратного рассеяния. В этом исследовании предлагается автоматизированная система классификации типов клеток, которая сочетает в себе метод акустического зондирования без меток и модели искусственного интеллекта на основе глубокого обучения. Мы применили одномерный (1D) сверточный автокодировщик для шумоподавления сигналов и провели увеличение данных на основе введения гауссовского шума, чтобы повысить устойчивость предложенной системы классификации к шуму. Впоследствии сигналы обратного рассеяния с шумом были классифицированы по конкретным типам ячеек с использованием моделей сверточной нейронной сети (CNN) для трех типов представления данных сигнала, включая одномерные модели CNN для анализа формы сигнала и частотного спектра и двумерные (2D) модели CNN для анализа спектрограмм. Мы оценили предложенную систему, классифицировав два типа клеток (например, RBC и PNT1A) и два типа полистироловых микросфер, проанализировав их модели обратного рассеяния сигналов. Мы попытались обнаружить физические свойства клеток, отраженные в сигналах обратного рассеяния, контролируя экспериментальные переменные, такие как диаметр и материал структуры. Далее мы оценили эффективность моделей нейронных сетей и эффективность представления данных, сравнив их точность с точностью базовых методов. Таким образом, предлагаемая система может быть использована для надежной и точной классификации нескольких типов клеток с различными внутренними физическими свойствами для разработки персонализированных лекарств от рака.

Отделение клеток от гетерогенной смеси клеток имеет решающее значение для исследований рака и разработки новых персонализированных лекарств1,2,3,4,5,6,7. Точная изоляция различных типов клеток обеспечивает лучшее понимание клеточных функций и ролей в биологических системах, а также позволяет идентифицировать конкретные популяции клеток, участвующие в прогрессировании заболевания и ответе на лечение1,2,3,4,5,6,7,8, 9,10,11,12. Методы разделения клеток были разработаны на основе маркеров клеточной поверхности, таких как флуоресцентные красители13,14,3.0.co;2-l (1999)." href="/articles/s41598-022-22075-6#ref-CR15" id="ref-link-section-d9538225e490">15 и специфические антитела16,17 или внутренние физические свойства клеток, включая размер, плотность и сжимаемость18,19,20,21. Среди этих методов методы сортировки клеток без меток, основанные на Внутренние физические биомаркеры широко используются, поскольку они не требуют интенсивных задач или специальных меток на клеточной поверхности для идентификации интересующих клеток. Таким образом, нежелательные побочные эффекты на нормальную физиологию и активность клеток могут быть сведены к минимуму по сравнению с таковыми при традиционной сортировке клеток с помощью меток. такие методы, как сортировка клеток, активируемая флуоресценцией, и сортировка клеток, активируемая магнитом. сильная интенсивность света, сложные методы и нежелательные эффекты напряжения сдвига, прилипания и блокировки на клеточные функции и реакции из-за структурных нарушений внутри микроструктур20,21,22,23.

Недавно было продемонстрировано, что акустические пинцеты на основе ультразвука способны захватывать отдельные клетки или измерять физические свойства клеток как коэффициент обратного рассеяния с помощью относительно простой и экономически эффективной экспериментальной установки24,25,26,27. Более длинные ультразвуковые импульсы и последующие короткие импульсы необходимы для безопасного манипулирования и получения сигналов обратного рассеяния от захваченной одиночной клетки, соответственно, с использованием либо одного и того же преобразователя, либо разных преобразователей для каждой процедуры. Однако точные измерения в запертой одиночной ячейке затруднены из-за неизбежного использования двух разных последовательностей импульсов вместе с экспериментальными установками, что может привести к получению ошибочной информации. Чтобы устранить это критическое ограничение, были разработаны акустические пинцеты с высокочастотным ультразвуком с высокой частотой повторения импульсов (PRF) для одновременного захвата целевой отдельной клетки и измерения ее обратно рассеянных сигналов28. Моноциклические ультразвуковые импульсы с высокой частотой повторения импульсов способны захватывать целевую отдельную клетку с более низким уровнем акустической силы захвата по сравнению с обычными акустическими пинцетами с избыточной акустической энергией и более длинными импульсами. Более того, они могут одновременно измерять сигналы обратного рассеяния от захваченных объектов размером в один микрон, чтобы идентифицировать микрогранулы двух разных диаметров, например 5 и 10 мкм, а также два разных диаметра клеток, включая эритроциты (эритроциты). ) с диаметром от 6 до 8 мкм и нормальные иммортализованные эпителиальные клетки простаты SV40 (PNT1A) диаметром от 9 до 11 мкм без ущерба для жизнеспособности клеток. Однако постобработка интегрированных коэффициентов обратного рассеяния (IB) на основе измеренных сигналов обратного рассеяния обычно является трудоемким процессом и вызывает возможные ошибки из-за ручной настройки времени отраженного сигнала между первым и крошечным отраженным ультразвуковым сигналом, создаваемым пойманным одиночным объектом. . Более того, мощный отраженный ультразвуковой сигнал исходит от тонкой майларовой пленки, поскольку коэффициент IB определяется как отношение энергии обратного рассеяния от объема рассеивателя к энергии от плоской кварцевой мишени. Чтобы преодолеть ограничения, вызванные ручным анализом, в этом исследовании используются модели искусственного интеллекта с глубоким обучением, чтобы минимизировать постобработку.