자동화 셀

Scientific Reports 12권, 기사 번호: 19873(2022) 이 기사 인용

853 액세스

1 인용

2 알트메트릭

측정항목 세부정보

본 연구는 정상적인 세포 생리 및 활동에 최소한의 영향을 미치면서 세포의 후방 산란 신호 패턴을 분석하여 세포 유형에 따라 살아있는 세포를 자동으로 분류하는 것을 목표로 했습니다. 우리의 이전 연구에서는 높은 펄스 반복 주파수(PRF)에서 고주파 초음파를 사용하는 라벨 없는 음향 감지가 이질적인 샘플에서 단일 개체를 캡처하고 분석할 수 있음을 입증했습니다. 그러나 후방 산란 신호의 통합 후방 산란(IB) 계수를 후처리할 때 수동 설정 및 시간 소모적인 프로세스에서 발생할 수 있는 오류를 제거하는 것이 중요합니다. 본 연구에서는 라벨 없는 음향 센싱 기술과 딥러닝 기반 인공지능 모델을 결합한 자동화된 세포 유형 분류 시스템을 제안합니다. 우리는 신호의 잡음을 제거하기 위해 1차원 컨볼루셔널 오토인코더를 적용했고, 제안된 분류 시스템의 잡음에 대한 견고성을 향상시키기 위해 가우스 잡음 주입을 기반으로 데이터 증대를 수행했습니다. 그 후, 잡음이 제거된 후방 산란 신호는 파형 및 주파수 스펙트럼 분석을 위한 1D CNN 모델과 스펙트로그램 분석을 위한 2차원(2D) CNN 모델을 포함하여 세 가지 유형의 신호 데이터 표현을 위한 CNN(컨벌루션 신경망) 모델을 사용하여 특정 셀 유형으로 분류되었습니다. 우리는 후방 산란 신호 패턴을 분석하여 두 가지 유형의 세포(예: RBC 및 PNT1A)와 두 가지 유형의 폴리스티렌 미세구를 분류하여 제안된 시스템을 평가했습니다. 우리는 직경, 구조 물질과 같은 실험 변수를 제어하여 후방 산란 신호에 반영된 세포의 물리적 특성을 발견하려고 시도했습니다. 우리는 기본 방법의 정확성과 정확성을 비교하여 신경망 모델의 효율성과 데이터 표현의 효율성을 추가로 평가했습니다. 따라서 제안된 시스템은 맞춤형 암 치료제 개발을 위해 서로 다른 본질적인 물리적 특성을 가진 여러 세포 유형을 안정적이고 정확하게 분류하는 데 사용될 수 있습니다.

이질적인 세포 혼합물에서 세포를 분리하는 것은 암 연구 및 새로운 맞춤형 약물 개발에 매우 ​​중요합니다1,2,3,4,5,6,7. 별개의 세포 유형을 정확하게 분리하면 생물학적 시스템에서 세포 기능과 역할을 더 잘 이해할 수 있으며, 질병 진행 및 치료 반응과 관련된 특정 세포 집단을 식별할 수 있습니다1,2,3,4,5,6,7,8, 9,10,11,12. 세포 분리 기술은 형광 염료와 같은 세포 표면 마커를 기반으로 개발되었습니다13,14,3.0.co;2-l (1999)." href="/articles/s41598-022-22075-6#ref-CR15" id="ref-link-section-d9538225e490">15 및 특정 항체16,17 또는 크기, 밀도 및 압축성을 포함한 본질적인 물리적 세포 특성18,19,20,21 이러한 기술 중에서 라벨 없는 세포 분류 방법은 다음을 기반으로 합니다. 내인성 물리적 바이오마커는 관심 세포를 식별하기 위해 집중적인 작업이나 특정 세포 표면 라벨이 필요하지 않기 때문에 널리 사용되어 왔으며, 따라서 기존의 라벨 보조 세포 분류에 비해 정상적인 세포 생리 및 활성에 대한 원치 않는 부작용을 최소화할 수 있습니다. 형광 활성화 세포 분류 및 자기 활성화 세포 분류와 같은 방법 광학 핀셋 및 미세 유체 플랫폼과 같은 접근법은 효과적이고 안정적으로 세포를 분리할 수 있습니다. 그러나 이러한 방법은 사용과 함께 광열 효과와 같은 중요한 한계로 인해 어려움을 겪습니다. 강한 광도, 어려운 기술 및 미세구조 내의 구조적 불규칙성으로 인해 세포 기능 및 반응에 대한 전단 응력, 스틱션 및 막힘의 바람직하지 않은 영향.

초음파 기반 음향 핀셋은 최근 상대적으로 간단하고 비용 효율적인 실험 설정24,25,26,27을 사용하여 단일 세포를 캡처하거나 후방 산란 계수로 물리적 세포 특성을 측정할 수 있는 것으로 입증되었습니다. 각 절차에 대해 동일한 변환기 또는 다른 변환기를 사용하여 각각 갇힌 단일 셀에서 후방 산란 신호를 안전하게 조작하고 획득하려면 더 긴 초음파 펄스와 후속 짧은 펄스가 필요합니다. 그러나 실험 설정과 함께 두 개의 서로 다른 펄스 시퀀스를 불가피하게 사용하여 잘못된 정보가 발생할 수 있기 때문에 갇힌 단일 셀의 정확한 측정이 어렵습니다. 이러한 중요한 한계를 해결하기 위해 높은 펄스 반복 주파수(PRF)에서 고주파 초음파를 사용하는 음향 핀셋을 개발하여 표적 단일 세포를 동시에 포착하고 후방 산란 신호를 측정했습니다. 높은 PRF의 모노사이클 초음파 펄스는 더 긴 펄스로 과도한 음향 에너지를 갖는 기존 음향 핀셋에 비해 더 낮은 수준의 음향 포획력으로 표적 단일 세포를 포획할 수 있습니다. 더욱이, 그들은 갇힌 단일 미크론 크기 물체로부터 후방 산란 신호를 동시에 측정하여 5 및 10\(\upmu\)m와 같은 두 개의 서로 다른 마이크로비드 직경과 적혈구(RBC)를 포함한 두 개의 서로 다른 세포 직경을 식별할 수 있습니다. ) 직경이 6~8\(\upmu\)m 사이이고 정상 SV40 불멸화 상피 전립선(PNT1A) 세포는 직경이 9~11 \(\upmu\)m 사이이며 세포 생존력은 손상되지 않습니다. 그러나 측정된 후방 산란 신호를 기반으로 통합 후방 산란(IB) 계수를 후처리하는 것은 일반적으로 시간이 많이 걸리는 프로세스이며 갇힌 단일 물체에 의해 생성된 첫 번째 반사 초음파 신호와 작은 반사 초음파 신호 사이의 반사 신호 시간을 수동으로 설정하기 때문에 오류가 발생할 수 있습니다. . 더욱이, IB 계수는 산란 체적의 후방 산란 에너지와 평평한 석영 대상의 후방 산란 에너지의 비율로 정의되므로 거대한 반사 초음파 신호는 얇은 Mylar 필름에서 발생합니다. 본 연구에서는 수동 분석으로 인한 한계를 극복하기 위해 딥러닝 기반 인공지능 모델을 사용하여 후처리를 최소화했습니다.