Notizia

Oct 13, 2023

Cella automatizzata

Scientific Reports volume 12,

Scientific Reports volume 12, numero articolo: 19873 (2022) Citare questo articolo

651 accessi

1 Altmetrico

Dettagli sulle metriche

Questo studio mirava a classificare automaticamente le cellule vive in base al loro tipo cellulare analizzando i modelli di segnali retrodiffusi delle cellule con un effetto minimo sulla normale fisiologia e attività cellulare. I nostri studi precedenti hanno dimostrato che il rilevamento acustico senza etichetta utilizzando ultrasuoni ad alta frequenza con un'elevata frequenza di ripetizione degli impulsi (PRF) può catturare e analizzare un singolo oggetto da un campione eterogeneo. Tuttavia, è fondamentale eliminare possibili errori nell'impostazione manuale e processi dispendiosi in termini di tempo durante la postelaborazione dei coefficienti di retrodiffusione integrata (IB) dei segnali retrodiffusi. In questo studio viene proposto un sistema automatizzato di classificazione dei tipi di cellule che combina una tecnica di rilevamento acustico senza etichette con modelli di intelligenza artificiale potenziati dal deep learning. Abbiamo applicato un autocodificatore convoluzionale unidimensionale (1D) per eliminare il rumore dai segnali e condotto un aumento dei dati basato sull'iniezione di rumore gaussiano per migliorare la robustezza del sistema di classificazione proposto al rumore. Successivamente, i segnali retrodiffusi denoizzati sono stati classificati in tipi cellulari specifici utilizzando modelli di rete neurale convoluzionale (CNN) per tre tipi di rappresentazioni dei dati del segnale, inclusi modelli CNN 1D per l'analisi della forma d'onda e dello spettro di frequenza e modelli CNN bidimensionali (2D) per l'analisi dello spettrogramma. Abbiamo valutato il sistema proposto classificando due tipi di cellule (ad esempio, RBC e PNT1A) e due tipi di microsfere di polistirene analizzando i loro modelli di segnale retrodiffusi. Abbiamo tentato di scoprire le proprietà fisiche delle cellule riflesse sui segnali retrodiffusi controllando variabili sperimentali, come il diametro e il materiale della struttura. Abbiamo valutato ulteriormente l'efficacia dei modelli di rete neurale e l'efficacia delle rappresentazioni dei dati confrontando la loro accuratezza con quella dei metodi di base. Pertanto, il sistema proposto può essere utilizzato per classificare in modo affidabile e preciso diversi tipi di cellule con diverse proprietà fisiche intrinseche per lo sviluppo di farmaci antitumorali personalizzati.

Cell separation from a heterogeneous mixture of cells is critical for cancer research and new personalized drug development1,2,3,4,5,6,7. The precise isolation of distinct cell types provides a better understanding of cellular functions and roles in biological systems, and enables the identification of specific cell populations involved in disease progression and treatment response1,2,3,4,5,6,7,8,9,10,11,12. Cell separation techniques have been developed based on cell-surface markers, such as fluorescent dyes13,14,3.0.co;2-l (1999)." href="/articles/s41598-022-22075-6#ref-CR15" id="ref-link-section-d37727848e490"> 15 e anticorpi specifici16,17 o proprietà fisiche intrinseche delle cellule, comprese dimensioni, densità e comprimibilità18,19,20,21. Tra queste tecniche, i metodi di smistamento cellulare senza etichetta basati su biomarcatori fisici intrinseci sono stati ampiamente utilizzati perché non richiedono attività intensive o etichette specifiche sulla superficie cellulare per identificare le cellule di interesse. Pertanto, gli effetti collaterali indesiderati sulla normale fisiologia e attività cellulare possono essere ridotti al minimo rispetto a quelli dei metodi convenzionali di selezione cellulare assistiti da etichetta, come la selezione cellulare attivata tramite fluorescenza e la selezione cellulare attivata magneticamente18,19. Approcci come le pinzette ottiche e le piattaforme microfluidiche possono separare le cellule in modo efficace e affidabile. Tuttavia, questi metodi soffrono di limitazioni critiche come l'effetto fototermico insieme all'uso di una forte intensità luminosa, tecniche difficili ed effetti indesiderati di stress di taglio, attrito e blocco sulle funzioni e risposte cellulari a causa di irregolarità strutturali all'interno delle microstrutture20,21, 22,23.

Recentemente è stato dimostrato che le pinzette acustiche basate sugli ultrasuoni sono in grado di catturare singole cellule o misurare le proprietà fisiche delle cellule come coefficiente di retrodiffusione con una configurazione sperimentale relativamente semplice ed economica24,25,26,27. Sono necessari impulsi ultrasonici più lunghi e successivi impulsi brevi per manipolare e acquisire in modo sicuro i segnali retrodiffusi dalla singola cellula intrappolata, rispettivamente, utilizzando lo stesso trasduttore o trasduttori diversi per ciascuna procedura. Tuttavia, la misurazione precisa in una singola cellula intrappolata è impegnativa a causa dell'inevitabile uso di due diverse sequenze di impulsi insieme alle configurazioni sperimentali, che possono portare a informazioni fuorvianti. Per affrontare questa limitazione critica, sono state sviluppate pinzette acustiche con ultrasuoni ad alta frequenza ad alta frequenza di ripetizione degli impulsi (PRF) per intrappolare simultaneamente una singola cellula bersaglio e misurarne i segnali retrodiffusi28. Gli impulsi ultrasonici monociclo con un PRF elevato sono in grado di intrappolare una singola cellula mirata, con un livello inferiore di forza di intrappolamento acustico rispetto a quello delle pinzette acustiche convenzionali con energia acustica eccessiva e impulsi più lunghi. Inoltre, possono misurare simultaneamente i segnali retrodiffusi dagli oggetti di dimensioni di un micron intrappolati, per identificare due diversi diametri di microsfere, come 5 e 10 \(\upmu\)m, e due diversi diametri cellulari, compresi i globuli rossi (RBC) ) con diametri compresi tra 6 e 8 \(\upmu\)m e cellule normali della prostata epiteliale immortalizzata SV40 (PNT1A) con diametri compresi tra 9 e 11 \(\upmu\)m, senza compromettere la vitalità cellulare. Tuttavia, la postelaborazione dei coefficienti di retrodiffusione integrata (IB) basati sui segnali retrodiffusi misurati è in genere un processo che richiede molto tempo e causa possibili errori a causa dell'impostazione manuale del tempo del segnale riflesso tra il primo e il minuscolo segnale ultrasonico riflesso prodotto dal singolo oggetto intrappolato . Inoltre, l'enorme segnale ultrasonico riflesso proviene dalla sottile pellicola di Mylar, poiché il coefficiente IB è definito come il rapporto tra l'energia retrodiffusa da un volume di diffusione e quella da un bersaglio piatto di quarzo. Per superare le limitazioni causate dall'analisi manuale, in questo studio vengono utilizzati modelli di intelligenza artificiale potenziati dal deep learning per ridurre al minimo la postelaborazione.