細胞力學測試分析系統

細胞力學測試分析系統       細胞測試分析系統

德國Zellmechanik公司

AcCellerator型

單細胞力學流式分析系統

研發背景

1 研究細胞力學在臨床有什么意義？ 如何區分不同果實的成熟度？

解決方案：施加適當的力并感應水果的機械特性，將清楚地向您展示成熟和過熟的獼猴桃之間的區別。

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胞水平怎么辦？

細胞的機械特性由功能上重要的細胞成分控制，例如細胞骨架。它們構成了一種新興的無標記生物標志物，可以直接了解細胞功能或功能障礙。因此，機械特性有助于理解和評估藥物治療效果、免疫細胞活化、干細胞分化、癌癥預后或培養細胞的狀態和質量的評估。

   細胞變形能力與細胞的狀況和功能相關。

   無需標記即可評估細胞變形能力。

   應用潛力巨大。

細胞力學構成了研究從發育到疾病的主題的關鍵科學目標。

2 為什么采用單細胞流式分析？

Jochen Guck 教授在德累斯頓工業大學使用 AFM 和光學拉伸來揭示細胞力學與細胞功能（或功能障礙）之間的相關性。這些方法的一個主要障礙是低通量（多 100 個細胞/小時）。測量過程為：找到一個細胞，停止施力，整個實驗結束后釋放細胞，分析測量參數。為了克服耗時的步驟，于是他們開發了一種使用具有連續力和動態分析的連續流的方法：RT-DC。

Oliver Otto 博士和 Philipp Rosendahl 博士在 2013 年左右實施了這個想法。從那時起，已經發表了許多具有高影響力的科學論文，并且技術開始普及。

現在可以同時測量細胞的物理特性和熒光信號 (RT-FDC)，從而可以將細胞的物理特性與細胞生物學的黃金標準（熒光流式細胞術）進行比較和關聯。近還可以沿通道動態跟蹤細胞變形并研究變形的時間相關動力學 (dRT-DC)。

技術原理

1 如何高速的壓縮單個細胞？

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

細胞可以通過流體動力變形。

力由流速和粘度控制。

較軟的細胞顯示較大的變形。

RT-DC 中的“實時"來自于拍攝圖像時對細胞輪廓的即時分析。

細胞面積、高度、寬度、縱橫比等的立即計算允許對數據進行即時觀察和選通。

該算法還計算細胞的亮度和亮度偏差等參數，從而深入了解形態學特性。

系統保存每個檢測到的事件圖像，可以輕松查看異常值是碎片還是您正在尋找的稀有細胞。

3 如何表征力進而計算楊氏模量？

AIDeveloper：生命科學及其他領域的深度學習圖像分類

1 簡介

自從臺顯微鏡問世以來，生命科學的進步就變得依賴于圖像的采集和處理。多年來，廣泛的研究導致了用于對顯微圖像中的信息進行定量分析的工具的開發。Cellprofiler、 Fiji、和 ImageJ它們在科學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，使用這些工具進行量化通常會產生一組預定義的特征，這些特征通常會限制可以從圖像中提取的信息的范圍。近年來，機器學習 (ML) 方法的出現，例如使用神經網絡 (NN) 的深度學習 (DL)，大大擴大了圖像處理、量化、分割和分類的范圍。DL 方法的主要優點是它不依賴于手工制作的預定義特征，而是自動找到一組佳特征。這對于相關特征對人眼不明顯的復雜圖像分類任務特別有用。Cellprofiler 3.0，deepImageJ，Zen Intellesis 是旨在提供對 DL 方法的訪問的軟件工具，但缺乏訓練 NN 的能力。刀  和 DL studio (DLS)  允許訓練 NN，但 KNIME 并未針對圖像分析進行優化，因此缺乏某些功能，例如圖像增強。DLS 和 KNIME 都不允許在訓練期間調整超參數，這在 AIDeveloper (AID) 中可用。

近的出版物證明了深度學習在復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，在造血干細胞發育過程中預測細胞譜系分化，皮膚癌在皮膚科醫生級別進行分類，在組織學圖像中檢測到有絲分裂細胞。后者表明 DL 在準確性方面甚至優于組織學家（準確性 = 正確分類的圖像數量/圖像總數）。然而，目前只有定制的、特定于任務的算法可用，因為深度學習算法的可訪問性和利用需要不同的編程技能。因此，大多數基于深度學習的圖像分類的科學和臨床應用僅限于可以結合編程和生物醫學專業知識的實驗室。這是一個主要缺點，只能通過開發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，用于訓練、評估和利用神經網絡解決圖像分類問題，可在 Windows、Mac 和 Linux 平臺上使用 CPU（所有平臺）和 GPU（僅限 Windows）支持-盒子。AID 涵蓋了圖像處理和分析的整個工作流程：從數據集的組裝和 NN 參數的優化，到將生成的 NN 應用于未分類的圖像集。一個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。對于訓練，用戶可以選擇不同復雜度的內置 NN 架構，也可以使用定制的 NN。此外，該接口允許使用預訓練模型來遷移學習過程，例如，當可用的訓練數據不足時^[ 9 ]或縮短訓練步驟。

為了展示該軟件的潛力，我們在 CIFAR-10和 Fashion-MNIST兩個數據集上訓練了一個卷積神經網絡 (CNN)，每個數據集包含來自 10 個不同類別的圖像集合。我們在 CIFAR-10 的 RGB 和灰度圖像上達到了 88% 的測試準確度，在 Fashion-MNIST 上達到了 93.8% 的測試準確度。此外，我們展示了 AID 在廣泛的生物醫學研究中的應用。先，我們訓練了一個模型，使用一個相對較小的數據集來檢測分化的脂肪細胞，該數據集僅包含 46 個標記的明場顯微鏡圖像。接下來，我們通過使用實時變形細胞儀 (RT-DC) 獲得的 120 萬張血細胞圖像，展示了 AID 在非常大的數據集上的實用性，^[ 12]為了生成基于圖像的自動全血細胞計數。我們訓練了一個模型來根據明場圖像識別血小板、淋巴細胞、紅細胞、單核細胞、中性粒細胞和嗜酸性粒細胞。據我們所知，這是 DL 算法次能夠對全血中的主要血細胞類型進行基于圖像的分類。此外，每個細胞的活細胞圖像可用于進一步分析。我們通過將結果與臨床實踐中經常使用的技術產生的常規全血計數進行比較來驗證該模型，該技術非常一致。后，我們證明了 AID 提供的工具甚至可以通過訓練分類器來根據來自 RT-DC 的明場圖像區分 B 細胞和 T 細胞，從而掌握具有挑戰性的分類任務。^{[ 13 - 15 ]}請注意，本文的重點是將軟件介紹給生物學界，并通過一些現實世界的生物學問題證明其在圖像分類任務中的廣泛用途。AID 是一個即用型軟件包，適合任何想要開始探索基于 AI 的圖像分析的力量以進行自己的研究而無需任何編程技能的人。

 動態實時變形細胞儀在復雜樣品中的高通量單細胞流變學

介紹

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

與成熟的細胞生物學技術（如流式細胞術）相比，機械細胞表征的參數空間不能簡單地通過額外的分子標記來擴展，而是僅限于可以從聲學、機械或光學測量中提取的任何信息. 然而，細胞遠離熱平衡。它們對蠕變或應力松弛形式的外部機械載荷的響應是高度非線性的，并由主動和被動內在重塑兩者驅動，必須探索將細胞骨架特性與細胞功能聯系起來. 雖然初在貼壁細胞 上進行了流變實驗和頻率相關復數模量的測定，但微流體系統與高速視頻顯微鏡相結合，能夠提高吞吐量并擴展到懸浮細胞。

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胞的限制，從流速、停留時間和驅動壓力估計細胞彈性和流動性。冪律流變學解釋了來自多個細胞系和多種條件的數據在主曲線上的崩潰，并且與軟玻璃材料^六。定量變形細胞儀通過引入校準的微球來提取定量信息來擴展這一概念，并允許與參考方法（如微量吸管）進行潛在比較。

與微收縮相比，變形細胞術 (DC)、實時變形細胞術 (RT-DC) 和實時熒光和變形細胞術 (RT-FDC) 等方法是非接觸式的，僅利用流體動力應力使細胞變形。^_此外，RT-DC 和 RT-FDC 能夠即時執行圖像采集和分析，這允許對幾乎無限大小的異質細胞樣本進行無標記篩選，并基于機械識別亞群特性。然而，在實時數據分析中，圖像采集和數據評估僅限于每個單元的單個快照，因此只能導出穩態材料參數，如楊氏模量.

在這里，我們介紹了動態 RT-DC (dRT-DC)，用于異質樣品中的單細胞流變測量，我們在其中捕獲了懸浮細胞動態通過微流體通道的中央收縮的完整動態。我們表明，細胞形狀模式的傅里葉分析允許解開復雜的細胞對時間相關和時間無關的流體動力應力分布的響應，這對于幾乎任何微流體系統都是典型的。傅里葉模式的對稱性可用于提取應力-應變關系并通過應用非常簡單的模型假設直接確定粘彈性單元參數。我們表明我們的方法與細胞形狀無關。使用細胞系和原代血細胞，我們證明動態 RT-DC 能夠以高達每秒 100 個細胞的吞吐率確定表觀楊氏模量和表觀粘度。有趣的是，這項技術允許在單次全血測量中對細胞之間的流變學進行比較。此外，我們展示了基于材料特性的主要細胞類型（包括 B 和 CD4+ T 淋巴細胞）的無標記統計區分。后者以前只能使用多維機器學習技術 我們展示了基于材料特性的主要細胞類型（包括 B 和 CD4+ T 淋巴細胞）的無標記統計區分。后者以前只能使用多維機器學習技術 我們展示了基于材料特性的主要細胞類型（包括 B 和 CD4+ T 淋巴細胞）的無標記統計區分。后者以前只能使用多維機器學習技術。