细胞力学测试分析系统

细胞力学测试分析系统       细胞测试分析系统

德国Zellmechanik公司

AcCellerator型

单细胞力学流式分析系统

研发背景

1 研究细胞力学在临床有什么意义？ 如何区分不同果实的成熟度？

解决方案：施加适当的力并感应水果的机械特性，将清楚地向您展示成熟和过熟的猕猴桃之间的区别。

这是否也适用于较小的水果组织碎片？如果我们下降到单细胞水平怎么办？

细胞的机械特性由功能上重要的细胞成分控制，例如细胞骨架。它们构成了一种新兴的无标记生物标志物，可以直接了解细胞功能或功能障碍。因此，机械特性有助于理解和评估药物治疗效果、免疫细胞活化、干细胞分化、癌症预后或培养细胞的状态和质量的评估。

   细胞变形能力与细胞的状况和功能相关。

   无需标记即可评估细胞变形能力。

   应用潜力巨大。

细胞力学构成了研究从发育到疾病的主题的关键科学目标。

2 为什么采用单细胞流式分析？

Jochen Guck 教授在德累斯顿工业大学使用 AFM 和光学拉伸来揭示细胞力学与细胞功能（或功能障碍）之间的相关性。这些方法的一个主要障碍是低通量（多 100 个细胞/小时）。测量过程为：找到一个细胞，停止施力，整个实验结束后释放细胞，分析测量参数。为了克服耗时的步骤，于是他们开发了一种使用具有连续力和动态分析的连续流的方法：RT-DC。

Oliver Otto 博士和 Philipp Rosendahl 博士在 2013 年左右实施了这个想法。从那时起，已经发表了许多具有高影响力的科学论文，并且技术开始普及。

现在可以同时测量细胞的物理特性和荧光信号 (RT-FDC)，从而可以将细胞的物理特性与细胞生物学的黄金标准（荧光流式细胞术）进行比较和关联。近还可以沿通道动态跟踪细胞变形并研究变形的时间相关动力学 (dRT-DC)。

技术原理

1 如何高速的压缩单个细胞？

为了产生确定的力，孤立的细胞被泵送通过横截面略大于细胞横截面的微通道。周围流体的压力梯度产生流动剖面并使细胞流体动力学变形。流体的流速和粘度控制作用在细胞上的力。

细胞可以通过流体动力变形。

力由流速和粘度控制。

较软的细胞显示较大的变形。

RT-DC 中的“实时"来自于拍摄图像时对细胞轮廓的即时分析。

细胞面积、高度、宽度、纵横比等的立即计算允许对数据进行即时观察和选通。

该算法还计算细胞的亮度和亮度偏差等参数，从而深入了解形态学特性。

系统保存每个检测到的事件图像，可以轻松查看异常值是碎片还是您正在寻找的稀有细胞。

3 如何表征力进而计算杨氏模量？

AIDeveloper：生命科学及其他领域的深度学习图像分类

1 简介

自从台显微镜问世以来，生命科学的进步就变得依赖于图像的采集和处理。多年来，广泛的研究导致了用于对显微图像中的信息进行定量分析的工具的开发。Cellprofiler、 Fiji、和 ImageJ它们在科学家中广泛分布和使用，允许用户轻松处理和量化图像中的特征。然而，使用这些工具进行量化通常会产生一组预定义的特征，这些特征通常会限制可以从图像中提取的信息的范围。近年来，机器学习 (ML) 方法的出现，例如使用神经网络 (NN) 的深度学习 (DL)，大大扩大了图像处理、量化、分割和分类的范围。DL 方法的主要优点是它不依赖于手工制作的预定义特征，而是自动找到一组佳特征。这对于相关特征对人眼不明显的复杂图像分类任务特别有用。Cellprofiler 3.0，deepImageJ，Zen Intellesis 是旨在提供对 DL 方法的访问的软件工具，但缺乏训练 NN 的能力。刀  和 DL studio (DLS)  允许训练 NN，但 KNIME 并未针对图像分析进行优化，因此缺乏某些功能，例如图像增强。DLS 和 KNIME 都不允许在训练期间调整超参数，这在 AIDeveloper (AID) 中可用。

近的出版物证明了深度学习在复杂生物样本中基于图像的对象识别的适用性。例如，在人类血液样本中鉴定出血小板簇，在造血干细胞发育过程中预测细胞谱系分化，皮肤癌在皮肤科医生级别进行分类，在组织学图像中检测到有丝分裂细胞。后者表明 DL 在准确性方面甚至优于组织学家（准确性 = 正确分类的图像数量/图像总数）。然而，目前只有定制的、特定于任务的算法可用，因为深度学习算法的可访问性和利用需要不同的编程技能。因此，大多数基于深度学习的图像分类的科学和临床应用仅限于可以结合编程和生物医学专业知识的实验室。这是一个主要缺点，只能通过开发可供普通用户访问的基于 DL 的图像处理来解决。

在这里，我们介绍 AID，一种灵活的即用型软件，用于训练、评估和利用神经网络解决图像分类问题，可在 Windows、Mac 和 Linux 平台上使用 CPU（所有平台）和 GPU（仅限 Windows）支持-盒子。AID 涵盖了图像处理和分析的整个工作流程：从数据集的组装和 NN 参数的优化，到将生成的 NN 应用于未分类的图像集。一个简单的用户界面允许用户加载不同的图像格式，并在图像大小均衡之前和之后直观地评估它们。对于训练，用户可以选择不同复杂度的内置 NN 架构，也可以使用定制的 NN。此外，该接口允许使用预训练模型来迁移学习过程，例如，当可用的训练数据不足时^[ 9 ]或缩短训练步骤。

为了展示该软件的潜力，我们在 CIFAR-10和 Fashion-MNIST两个数据集上训练了一个卷积神经网络 (CNN)，每个数据集包含来自 10 个不同类别的图像集合。我们在 CIFAR-10 的 RGB 和灰度图像上达到了 88% 的测试准确度，在 Fashion-MNIST 上达到了 93.8% 的测试准确度。此外，我们展示了 AID 在广泛的生物医学研究中的应用。先，我们训练了一个模型，使用一个相对较小的数据集来检测分化的脂肪细胞，该数据集仅包含 46 个标记的明场显微镜图像。接下来，我们通过使用实时变形细胞仪 (RT-DC) 获得的 120 万张血细胞图像，展示了 AID 在非常大的数据集上的实用性，^[ 12]为了生成基于图像的自动全血细胞计数。我们训练了一个模型来根据明场图像识别血小板、淋巴细胞、红细胞、单核细胞、中性粒细胞和嗜酸性粒细胞。据我们所知，这是 DL 算法次能够对全血中的主要血细胞类型进行基于图像的分类。此外，每个细胞的活细胞图像可用于进一步分析。我们通过将结果与临床实践中经常使用的技术产生的常规全血计数进行比较来验证该模型，该技术非常一致。后，我们证明了 AID 提供的工具甚至可以通过训练分类器来根据来自 RT-DC 的明场图像区分 B 细胞和 T 细胞，从而掌握具有挑战性的分类任务。^{[ 13 - 15 ]}请注意，本文的重点是将软件介绍给生物学界，并通过一些现实世界的生物学问题证明其在图像分类任务中的广泛用途。AID 是一个即用型软件包，适合任何想要开始探索基于 AI 的图像分析的力量以进行自己的研究而无需任何编程技能的人。

 动态实时变形细胞仪在复杂样品中的高通量单细胞流变学

介绍

随着对细胞状态和功能进行无标记表型分析的潜力，细胞的机械特性在过去几年中变得越来越重要。由于对细胞骨架和细胞核的改变敏感，这种生物标志物已被用于跟踪干细胞的稳定性、传代和分化，跟踪免疫细胞的激活，以及表征代谢状态. 由于机械表型分析基于内在的细胞材料特性，因此它可以作为传统分子生物学方法的补充方法，并且在不需要或不可用分子标记的基础和应用研究中变得越来越重要。然而，迄今为止，由于缺乏快速和稳健的测量技术，机械表型向生命科学应用的广泛转化受到了阻碍。虽然原子力显微镜、微量吸管和光学拉伸等传统方法仅限于每小时不到 100 个细胞的分析速率。但微流体概念引入将通量提高了几个数量级. 细胞在流体动力学环境中的连续变形允许每秒 100-10,000 个细胞的吞吐率，这是筛选应用的先决条件，例如生物物理和分子分析的结合或高效骨骼干细胞的表征在再生医学中.

与成熟的细胞生物学技术（如流式细胞术）相比，机械细胞表征的参数空间不能简单地通过额外的分子标记来扩展，而是仅限于可以从声学、机械或光学测量中提取的任何信息. 然而，细胞远离热平衡。它们对蠕变或应力松弛形式的外部机械载荷的响应是高度非线性的，并由主动和被动内在重塑两者驱动，必须探索将细胞骨架特性与细胞功能联系起来. 虽然初在贴壁细胞 上进行了流变实验和频率相关复数模量的测定，但微流体系统与高速视频显微镜相结合，能够提高吞吐量并扩展到悬浮细胞。

Lange 等人使用微米级收缩的平行阵列。利用微流体通道中悬浮细胞的限制，从流速、停留时间和驱动压力估计细胞弹性和流动性。幂律流变学解释了来自多个细胞系和多种条件的数据在主曲线上的崩溃，并且与软玻璃材料^六。定量变形细胞仪通过引入校准的微球来提取定量信息来扩展这一概念，并允许与参考方法（如微量吸管）进行潜在比较。

与微收缩相比，变形细胞术 (DC)、实时变形细胞术 (RT-DC) 和实时荧光和变形细胞术 (RT-FDC) 等方法是非接触式的，仅利用流体动力应力使细胞变形。^_此外，RT-DC 和 RT-FDC 能够即时执行图像采集和分析，这允许对几乎无限大小的异质细胞样本进行无标记筛选，并基于机械识别亚群特性。然而，在实时数据分析中，图像采集和数据评估仅限于每个单元的单个快照，因此只能导出稳态材料参数，如杨氏模量.

在这里，我们介绍了动态 RT-DC (dRT-DC)，用于异质样品中的单细胞流变测量，我们在其中捕获了悬浮细胞动态通过微流体通道的中央收缩的完整动态。我们表明，细胞形状模式的傅里叶分析允许解开复杂的细胞对时间相关和时间无关的流体动力应力分布的响应，这对于几乎任何微流体系统都是典型的。傅里叶模式的对称性可用于提取应力-应变关系并通过应用非常简单的模型假设直接确定粘弹性单元参数。我们表明我们的方法与细胞形状无关。使用细胞系和原代血细胞，我们证明动态 RT-DC 能够以高达每秒 100 个细胞的吞吐率确定表观杨氏模量和表观粘度。有趣的是，这项技术允许在单次全血测量中对细胞之间的流变学进行比较。此外，我们展示了基于材料特性的主要细胞类型（包括 B 和 CD4+ T 淋巴细胞）的无标记统计区分。后者以前只能使用多维机器学习技术 我们展示了基于材料特性的主要细胞类型（包括 B 和 CD4+ T 淋巴细胞）的无标记统计区分。后者以前只能使用多维机器学习技术 我们展示了基于材料特性的主要细胞类型（包括 B 和 CD4+ T 淋巴细胞）的无标记统计区分。后者以前只能使用多维机器学习技术。