Автоматическое обнаружение одиночных клеток с помощью микроскопических изображений и ИИ
Исследовательская группа под руководством профессора Моэто Нагаи из Технологического университета Тоёхаси успешно использовала ИИ для изоляции одиночных клеток.
Методология
Метод включает:
- Использование микролунок для изоляции одиночных клеток.
- Применение глубокого обучения к микроскопическим изображениям клеток в этих микролунках.
Разработанная модель машинного обучения позволяет автоматически обнаруживать одиночные клетки на изображениях, сокращая человеческие усилия. Получение большого массива данных об отдельных клетках помогает эффективно исследовать их характеристики и функции, что может привести к созданию новых методов лечения.
Преодоление ограничений
Традиционно физическая изоляция одиночных клеток требует специальных инструментов, а их обнаружение часто полагается на визуальную оценку исследователем, что становится «узким местом» для сбора данных.
Разработка платформы
- Изоляция клеток: Команда разработала метод изоляции и улавливания одиночных клеток в микролунках диаметром 30 мкм, сформированных в гидрогеле с помощью оптического паттернирования. Гидрогель обладает высокой биосовместимостью и позволяет продлить время наблюдения за поведением клеток.
- Обучение ИИ: Изображения клеток в микролунках классифицировали по признаку наличия/отсутствия одиночной клетки и использовали как обучающие данные для глубокого обучения.
Результаты
Обученная модель обнаружения объектов смогла предсказывать наличие одиночных клеток с высокой точностью:
- Средняя точность (mAP): 0.989 (чем выше, тем лучше).
- Среднее время вывода: 0.06 секунды (чем меньше, тем лучше).
Этот алгоритм обеспечивает высокую точность обнаружения и сокращает время эксперимента, улучшая возможности высокопроизводительного анализа одиночных клеток.
Важность качества данных
Изначально использование обычных изображений в светлом поле (bright-field) дало ограниченный результат (mAP 0.801, время 0.09 с) из-за низкого контраста. Переход на флуоресцентную микроскопию с окрашенными клетками позволил достичь mAP 0.989 после 1200 эпох обучения. Это показывает, что подготовка высококонтрастных входных данных важна не только для человека, но и для эффективной работы ИИ.
Перспективы
Разработанная технология может использоваться для автоматического мониторинга активности одиночных клеток. Она обеспечивает точное и надежное автоматическое обнаружение, сокращая трудозатраты. Будущие применения в анализе одиночных клеток включают медицинскую инженерию в таких областях, как диагностика рака, изучение иммунного ответа и скрининг лекарств.
Исследование опубликовано в журнале Scientific Reports.