細(xì)胞力學(xué)測試分析系統(tǒng)

細(xì)胞力學(xué)測試分析系統(tǒng)       細(xì)胞測試分析系統(tǒng)

德國Zellmechanik公司

AcCellerator型

單細(xì)胞力學(xué)流式分析系統(tǒng)

研發(fā)背景

1 研究細(xì)胞力學(xué)在臨床有什么意義？ 如何區(qū)分不同果實(shí)的成熟度？

解決方案：施加適當(dāng)?shù)牧Σ⒏袘?yīng)水果的機(jī)械特性，將清楚地向您展示成熟和過熟的獼猴桃之間的區(qū)別。

這是否也適用于較小的水果組織碎片？如果我們下降到單細(xì)胞水平怎么辦？

細(xì)胞的機(jī)械特性由功能上重要的細(xì)胞成分控制，例如細(xì)胞骨架。它們構(gòu)成了一種新興的無標(biāo)記生物標(biāo)志物，可以直接了解細(xì)胞功能或功能障礙。因此，機(jī)械特性有助于理解和評估藥物治療效果、免疫細(xì)胞活化、干細(xì)胞分化、癌癥預(yù)后或培養(yǎng)細(xì)胞的狀態(tài)和質(zhì)量的評估。

   細(xì)胞變形能力與細(xì)胞的狀況和功能相關(guān)。

   無需標(biāo)記即可評估細(xì)胞變形能力。

   應(yīng)用潛力巨大。

細(xì)胞力學(xué)構(gòu)成了研究從發(fā)育到疾病的主題的關(guān)鍵科學(xué)目標(biāo)。

2 為什么采用單細(xì)胞流式分析？

Jochen Guck 教授在德累斯頓工業(yè)大學(xué)使用 AFM 和光學(xué)拉伸來揭示細(xì)胞力學(xué)與細(xì)胞功能（或功能障礙）之間的相關(guān)性。這些方法的一個(gè)主要障礙是低通量（多 100 個(gè)細(xì)胞/小時(shí)）。測量過程為：找到一個(gè)細(xì)胞，停止施力，整個(gè)實(shí)驗(yàn)結(jié)束后釋放細(xì)胞，分析測量參數(shù)。為了克服耗時(shí)的步驟，于是他們開發(fā)了一種使用具有連續(xù)力和動(dòng)態(tài)分析的連續(xù)流的方法：RT-DC。

Oliver Otto 博士和 Philipp Rosendahl 博士在 2013 年左右實(shí)施了這個(gè)想法。從那時(shí)起，已經(jīng)發(fā)表了許多具有高影響力的科學(xué)論文，并且技術(shù)開始普及。

現(xiàn)在可以同時(shí)測量細(xì)胞的物理特性和熒光信號 (RT-FDC)，從而可以將細(xì)胞的物理特性與細(xì)胞生物學(xué)的黃金標(biāo)準(zhǔn)（熒光流式細(xì)胞術(shù)）進(jìn)行比較和關(guān)聯(lián)。近還可以沿通道動(dòng)態(tài)跟蹤細(xì)胞變形并研究變形的時(shí)間相關(guān)動(dòng)力學(xué) (dRT-DC)。

技術(shù)原理

1 如何高速的壓縮單個(gè)細(xì)胞？

為了產(chǎn)生確定的力，孤立的細(xì)胞被泵送通過橫截面略大于細(xì)胞橫截面的微通道。周圍流體的壓力梯度產(chǎn)生流動(dòng)剖面并使細(xì)胞流體動(dòng)力學(xué)變形。流體的流速和粘度控制作用在細(xì)胞上的力。

細(xì)胞可以通過流體動(dòng)力變形。

力由流速和粘度控制。

較軟的細(xì)胞顯示較大的變形。

RT-DC 中的“實(shí)時(shí)"來自于拍攝圖像時(shí)對細(xì)胞輪廓的即時(shí)分析。

細(xì)胞面積、高度、寬度、縱橫比等的立即計(jì)算允許對數(shù)據(jù)進(jìn)行即時(shí)觀察和選通。

該算法還計(jì)算細(xì)胞的亮度和亮度偏差等參數(shù)，從而深入了解形態(tài)學(xué)特性。

系統(tǒng)保存每個(gè)檢測到的事件圖像，可以輕松查看異常值是碎片還是您正在尋找的稀有細(xì)胞。

3 如何表征力進(jìn)而計(jì)算楊氏模量？

AIDeveloper：生命科學(xué)及其他領(lǐng)域的深度學(xué)習(xí)圖像分類

1 簡介

自從臺(tái)顯微鏡問世以來，生命科學(xué)的進(jìn)步就變得依賴于圖像的采集和處理。多年來，廣泛的研究導(dǎo)致了用于對顯微圖像中的信息進(jìn)行定量分析的工具的開發(fā)。Cellprofiler、 Fiji、和 ImageJ它們在科學(xué)家中廣泛分布和使用，允許用戶輕松處理和量化圖像中的特征。然而，使用這些工具進(jìn)行量化通常會(huì)產(chǎn)生一組預(yù)定義的特征，這些特征通常會(huì)限制可以從圖像中提取的信息的范圍。近年來，機(jī)器學(xué)習(xí) (ML) 方法的出現(xiàn)，例如使用神經(jīng)網(wǎng)絡(luò) (NN) 的深度學(xué)習(xí) (DL)，大大擴(kuò)大了圖像處理、量化、分割和分類的范圍。DL 方法的主要優(yōu)點(diǎn)是它不依賴于手工制作的預(yù)定義特征，而是自動(dòng)找到一組佳特征。這對于相關(guān)特征對人眼不明顯的復(fù)雜圖像分類任務(wù)特別有用。Cellprofiler 3.0，deepImageJ，Zen Intellesis 是旨在提供對 DL 方法的訪問的軟件工具，但缺乏訓(xùn)練 NN 的能力。刀  和 DL studio (DLS)  允許訓(xùn)練 NN，但 KNIME 并未針對圖像分析進(jìn)行優(yōu)化，因此缺乏某些功能，例如圖像增強(qiáng)。DLS 和 KNIME 都不允許在訓(xùn)練期間調(diào)整超參數(shù)，這在 AIDeveloper (AID) 中可用。

近的出版物證明了深度學(xué)習(xí)在復(fù)雜生物樣本中基于圖像的對象識別的適用性。例如，在人類血液樣本中鑒定出血小板簇，在造血干細(xì)胞發(fā)育過程中預(yù)測細(xì)胞譜系分化，皮膚癌在皮膚科醫(yī)生級別進(jìn)行分類，在組織學(xué)圖像中檢測到有絲分裂細(xì)胞。后者表明 DL 在準(zhǔn)確性方面甚至優(yōu)于組織學(xué)家（準(zhǔn)確性 = 正確分類的圖像數(shù)量/圖像總數(shù)）。然而，目前只有定制的、特定于任務(wù)的算法可用，因?yàn)樯疃葘W(xué)習(xí)算法的可訪問性和利用需要不同的編程技能。因此，大多數(shù)基于深度學(xué)習(xí)的圖像分類的科學(xué)和臨床應(yīng)用僅限于可以結(jié)合編程和生物醫(yī)學(xué)專業(yè)知識的實(shí)驗(yàn)室。這是一個(gè)主要缺點(diǎn)，只能通過開發(fā)可供普通用戶訪問的基于 DL 的圖像處理來解決。

在這里，我們介紹 AID，一種靈活的即用型軟件，用于訓(xùn)練、評估和利用神經(jīng)網(wǎng)絡(luò)解決圖像分類問題，可在 Windows、Mac 和 Linux 平臺(tái)上使用 CPU（所有平臺(tái)）和 GPU（僅限 Windows）支持-盒子。AID 涵蓋了圖像處理和分析的整個(gè)工作流程：從數(shù)據(jù)集的組裝和 NN 參數(shù)的優(yōu)化，到將生成的 NN 應(yīng)用于未分類的圖像集。一個(gè)簡單的用戶界面允許用戶加載不同的圖像格式，并在圖像大小均衡之前和之后直觀地評估它們。對于訓(xùn)練，用戶可以選擇不同復(fù)雜度的內(nèi)置 NN 架構(gòu)，也可以使用定制的 NN。此外，該接口允許使用預(yù)訓(xùn)練模型來遷移學(xué)習(xí)過程，例如，當(dāng)可用的訓(xùn)練數(shù)據(jù)不足時(shí)^[ 9 ]或縮短訓(xùn)練步驟。

為了展示該軟件的潛力，我們在 CIFAR-10和 Fashion-MNIST兩個(gè)數(shù)據(jù)集上訓(xùn)練了一個(gè)卷積神經(jīng)網(wǎng)絡(luò) (CNN)，每個(gè)數(shù)據(jù)集包含來自 10 個(gè)不同類別的圖像集合。我們在 CIFAR-10 的 RGB 和灰度圖像上達(dá)到了 88% 的測試準(zhǔn)確度，在 Fashion-MNIST 上達(dá)到了 93.8% 的測試準(zhǔn)確度。此外，我們展示了 AID 在廣泛的生物醫(yī)學(xué)研究中的應(yīng)用。先，我們訓(xùn)練了一個(gè)模型，使用一個(gè)相對較小的數(shù)據(jù)集來檢測分化的脂肪細(xì)胞，該數(shù)據(jù)集僅包含 46 個(gè)標(biāo)記的明場顯微鏡圖像。接下來，我們通過使用實(shí)時(shí)變形細(xì)胞儀 (RT-DC) 獲得的 120 萬張血細(xì)胞圖像，展示了 AID 在非常大的數(shù)據(jù)集上的實(shí)用性，^[ 12]為了生成基于圖像的自動(dòng)全血細(xì)胞計(jì)數(shù)。我們訓(xùn)練了一個(gè)模型來根據(jù)明場圖像識別血小板、淋巴細(xì)胞、紅細(xì)胞、單核細(xì)胞、中性粒細(xì)胞和嗜酸性粒細(xì)胞。據(jù)我們所知，這是 DL 算法次能夠?qū)θ械闹饕?xì)胞類型進(jìn)行基于圖像的分類。此外，每個(gè)細(xì)胞的活細(xì)胞圖像可用于進(jìn)一步分析。我們通過將結(jié)果與臨床實(shí)踐中經(jīng)常使用的技術(shù)產(chǎn)生的常規(guī)全血計(jì)數(shù)進(jìn)行比較來驗(yàn)證該模型，該技術(shù)非常一致。后，我們證明了 AID 提供的工具甚至可以通過訓(xùn)練分類器來根據(jù)來自 RT-DC 的明場圖像區(qū)分 B 細(xì)胞和 T 細(xì)胞，從而掌握具有挑戰(zhàn)性的分類任務(wù)。^{[ 13 - 15 ]}請注意，本文的重點(diǎn)是將軟件介紹給生物學(xué)界，并通過一些現(xiàn)實(shí)世界的生物學(xué)問題證明其在圖像分類任務(wù)中的廣泛用途。AID 是一個(gè)即用型軟件包，適合任何想要開始探索基于 AI 的圖像分析的力量以進(jìn)行自己的研究而無需任何編程技能的人。

 動(dòng)態(tài)實(shí)時(shí)變形細(xì)胞儀在復(fù)雜樣品中的高通量單細(xì)胞流變學(xué)

介紹

隨著對細(xì)胞狀態(tài)和功能進(jìn)行無標(biāo)記表型分析的潛力，細(xì)胞的機(jī)械特性在過去幾年中變得越來越重要。由于對細(xì)胞骨架和細(xì)胞核的改變敏感，這種生物標(biāo)志物已被用于跟蹤干細(xì)胞的穩(wěn)定性、傳代和分化，跟蹤免疫細(xì)胞的激活，以及表征代謝狀態(tài). 由于機(jī)械表型分析基于內(nèi)在的細(xì)胞材料特性，因此它可以作為傳統(tǒng)分子生物學(xué)方法的補(bǔ)充方法，并且在不需要或不可用分子標(biāo)記的基礎(chǔ)和應(yīng)用研究中變得越來越重要。然而，迄今為止，由于缺乏快速和穩(wěn)健的測量技術(shù)，機(jī)械表型向生命科學(xué)應(yīng)用的廣泛轉(zhuǎn)化受到了阻礙。雖然原子力顯微鏡、微量吸管和光學(xué)拉伸等傳統(tǒng)方法僅限于每小時(shí)不到 100 個(gè)細(xì)胞的分析速率。但微流體概念引入將通量提高了幾個(gè)數(shù)量級. 細(xì)胞在流體動(dòng)力學(xué)環(huán)境中的連續(xù)變形允許每秒 100-10,000 個(gè)細(xì)胞的吞吐率，這是篩選應(yīng)用的先決條件，例如生物物理和分子分析的結(jié)合或高效骨骼干細(xì)胞的表征在再生醫(yī)學(xué)中.

與成熟的細(xì)胞生物學(xué)技術(shù)（如流式細(xì)胞術(shù)）相比，機(jī)械細(xì)胞表征的參數(shù)空間不能簡單地通過額外的分子標(biāo)記來擴(kuò)展，而是僅限于可以從聲學(xué)、機(jī)械或光學(xué)測量中提取的任何信息. 然而，細(xì)胞遠(yuǎn)離熱平衡。它們對蠕變或應(yīng)力松弛形式的外部機(jī)械載荷的響應(yīng)是高度非線性的，并由主動(dòng)和被動(dòng)內(nèi)在重塑兩者驅(qū)動(dòng)，必須探索將細(xì)胞骨架特性與細(xì)胞功能聯(lián)系起來. 雖然初在貼壁細(xì)胞 上進(jìn)行了流變實(shí)驗(yàn)和頻率相關(guān)復(fù)數(shù)模量的測定，但微流體系統(tǒng)與高速視頻顯微鏡相結(jié)合，能夠提高吞吐量并擴(kuò)展到懸浮細(xì)胞。

Lange 等人使用微米級收縮的平行陣列。利用微流體通道中懸浮細(xì)胞的限制，從流速、停留時(shí)間和驅(qū)動(dòng)壓力估計(jì)細(xì)胞彈性和流動(dòng)性。冪律流變學(xué)解釋了來自多個(gè)細(xì)胞系和多種條件的數(shù)據(jù)在主曲線上的崩潰，并且與軟玻璃材料^六。定量變形細(xì)胞儀通過引入校準(zhǔn)的微球來提取定量信息來擴(kuò)展這一概念，并允許與參考方法（如微量吸管）進(jìn)行潛在比較。

與微收縮相比，變形細(xì)胞術(shù) (DC)、實(shí)時(shí)變形細(xì)胞術(shù) (RT-DC) 和實(shí)時(shí)熒光和變形細(xì)胞術(shù) (RT-FDC) 等方法是非接觸式的，僅利用流體動(dòng)力應(yīng)力使細(xì)胞變形。^_此外，RT-DC 和 RT-FDC 能夠即時(shí)執(zhí)行圖像采集和分析，這允許對幾乎無限大小的異質(zhì)細(xì)胞樣本進(jìn)行無標(biāo)記篩選，并基于機(jī)械識別亞群特性。然而，在實(shí)時(shí)數(shù)據(jù)分析中，圖像采集和數(shù)據(jù)評估僅限于每個(gè)單元的單個(gè)快照，因此只能導(dǎo)出穩(wěn)態(tài)材料參數(shù)，如楊氏模量.

在這里，我們介紹了動(dòng)態(tài) RT-DC (dRT-DC)，用于異質(zhì)樣品中的單細(xì)胞流變測量，我們在其中捕獲了懸浮細(xì)胞動(dòng)態(tài)通過微流體通道的中央收縮的完整動(dòng)態(tài)。我們表明，細(xì)胞形狀模式的傅里葉分析允許解開復(fù)雜的細(xì)胞對時(shí)間相關(guān)和時(shí)間無關(guān)的流體動(dòng)力應(yīng)力分布的響應(yīng)，這對于幾乎任何微流體系統(tǒng)都是典型的。傅里葉模式的對稱性可用于提取應(yīng)力-應(yīng)變關(guān)系并通過應(yīng)用非常簡單的模型假設(shè)直接確定粘彈性單元參數(shù)。我們表明我們的方法與細(xì)胞形狀無關(guān)。使用細(xì)胞系和原代血細(xì)胞，我們證明動(dòng)態(tài) RT-DC 能夠以高達(dá)每秒 100 個(gè)細(xì)胞的吞吐率確定表觀楊氏模量和表觀粘度。有趣的是，這項(xiàng)技術(shù)允許在單次全血測量中對細(xì)胞之間的流變學(xué)進(jìn)行比較。此外，我們展示了基于材料特性的主要細(xì)胞類型（包括 B 和 CD4+ T 淋巴細(xì)胞）的無標(biāo)記統(tǒng)計(jì)區(qū)分。后者以前只能使用多維機(jī)器學(xué)習(xí)技術(shù) 我們展示了基于材料特性的主要細(xì)胞類型（包括 B 和 CD4+ T 淋巴細(xì)胞）的無標(biāo)記統(tǒng)計(jì)區(qū)分。后者以前只能使用多維機(jī)器學(xué)習(xí)技術(shù) 我們展示了基于材料特性的主要細(xì)胞類型（包括 B 和 CD4+ T 淋巴細(xì)胞）的無標(biāo)記統(tǒng)計(jì)區(qū)分。后者以前只能使用多維機(jī)器學(xué)習(xí)技術(shù)。