Cellule automatisée

Rapports scientifiques volume 12, Numéro d'article : 19873 (2022) Citer cet article

853 Accès

1 Citation

2 Altmétrique

Détails des métriques

Cette étude visait à classer automatiquement les cellules vivantes en fonction de leur type cellulaire en analysant les modèles de signaux rétrodiffusés des cellules avec un effet minimal sur la physiologie et l'activité cellulaire normales. Nos études précédentes ont démontré que la détection acoustique sans étiquette utilisant des ultrasons haute fréquence à une fréquence de répétition d'impulsions (PRF) élevée peut capturer et analyser un seul objet à partir d'un échantillon hétérogène. Cependant, il est crucial d’éliminer les erreurs possibles dans le réglage manuel et les processus fastidieux lors du post-traitement des coefficients de rétrodiffusion intégrés (IB) des signaux rétrodiffusés. Dans cette étude, un système automatisé de classification des types de cellules combinant une technique de détection acoustique sans étiquette avec des modèles d'intelligence artificielle basés sur l'apprentissage profond est proposé. Nous avons appliqué un auto-encodeur convolutif unidimensionnel (1D) pour débruiter les signaux et effectué une augmentation des données basée sur l'injection de bruit gaussien afin d'améliorer la robustesse du système de classification proposé au bruit. Par la suite, les signaux rétrodiffusés débruités ont été classés en types de cellules spécifiques à l'aide de modèles de réseaux neuronaux convolutifs (CNN) pour trois types de représentations de données de signaux, notamment des modèles CNN 1D pour l'analyse de la forme d'onde et du spectre de fréquence et des modèles CNN bidimensionnels (2D) pour l'analyse du spectrogramme. Nous avons évalué le système proposé en classifiant deux types de cellules (par exemple, RBC et PNT1A) et deux types de microsphères de polystyrène en analysant leurs modèles de signaux rétrodiffusés. Nous avons tenté de découvrir les propriétés physiques des cellules reflétées sur les signaux rétrodiffusés en contrôlant des variables expérimentales, telles que le diamètre et le matériau de la structure. Nous avons en outre évalué l'efficacité des modèles de réseaux neuronaux et l'efficacité des représentations de données en comparant leur précision à celle des méthodes de base. Par conséquent, le système proposé peut être utilisé pour classer de manière fiable et précise plusieurs types de cellules présentant des propriétés physiques intrinsèques différentes pour le développement d’une médecine personnalisée contre le cancer.

La séparation cellulaire d’un mélange hétérogène de cellules est essentielle à la recherche sur le cancer et au développement de nouveaux médicaments personnalisés1,2,3,4,5,6,7. L'isolement précis de types de cellules distincts permet une meilleure compréhension des fonctions et des rôles cellulaires dans les systèmes biologiques et permet l'identification de populations cellulaires spécifiques impliquées dans la progression de la maladie et la réponse au traitement1,2,3,4,5,6,7,8, 9,10,11,12. Des techniques de séparation cellulaire ont été développées sur la base de marqueurs de surface cellulaire, tels que les colorants fluorescents13,14,3.0.co;2-l (1999)." href="/articles/s41598-022-22075-6#ref-CR15" id="ref-link-section-d9538225e490">15 et des anticorps spécifiques16,17 ou des propriétés physiques intrinsèques des cellules, notamment la taille, la densité et la compressibilité18,19,20,21. Parmi ces techniques, les méthodes de tri cellulaire sans marquage basées sur Les biomarqueurs physiques intrinsèques ont été largement utilisés car ils ne nécessitent pas de tâches intensives ni de marquages ​​spécifiques de la surface cellulaire pour identifier les cellules d'intérêt. Ainsi, les effets secondaires indésirables sur la physiologie et l'activité cellulaires normales peuvent être minimisés par rapport à ceux du tri cellulaire classique assisté par marquage. méthodes, telles que le tri cellulaire activé par fluorescence et le tri cellulaire activé magnétique18, 19. Des approches telles que des pinces optiques et des plates-formes microfluidiques peuvent séparer les cellules de manière efficace et fiable. Cependant, ces méthodes souffrent de limitations critiques telles que l'effet photothermique ainsi que l'utilisation de une forte intensité lumineuse, des techniques difficiles et des effets indésirables de contrainte de cisaillement, de frottement et de blocage sur les fonctions et réponses cellulaires en raison d'irrégularités structurelles au sein des microstructures20,21,22,23.

Il a récemment été démontré que les pinces acoustiques à ultrasons sont capables de capturer des cellules individuelles ou de mesurer les propriétés physiques des cellules en tant que coefficient de rétrodiffusion avec une configuration expérimentale relativement simple et rentable24,25,26,27. Des impulsions ultrasonores plus longues et des impulsions courtes ultérieures sont nécessaires pour manipuler et acquérir en toute sécurité les signaux rétrodiffusés de la cellule unique piégée, respectivement, en utilisant soit le même transducteur, soit des transducteurs différents pour chaque procédure. Cependant, une mesure précise dans une cellule unique piégée est difficile en raison de l'utilisation inévitable de deux séquences d'impulsions différentes ainsi que des configurations expérimentales, ce qui peut donner lieu à des informations trompeuses. Pour remédier à cette limitation critique, des pinces acoustiques dotées d’ultrasons haute fréquence à fréquence de répétition d’impulsions (PRF) élevée ont été développées pour piéger simultanément une cellule unique ciblée et mesurer ses signaux rétrodiffusés28. Les impulsions ultrasonores monocycliques à un PRF élevé sont capables de piéger une cellule unique ciblée, avec un niveau de force de piégeage acoustique inférieur à celui des pinces acoustiques classiques avec une énergie acoustique excessive et des impulsions plus longues. De plus, ils peuvent mesurer simultanément les signaux rétrodiffusés par les objets piégés de la taille d'un micron, pour identifier deux diamètres de microbilles différents, tels que 5 et 10 \(\upmu\)m, et deux diamètres de cellules différents, y compris les globules rouges (RBC). ) avec des diamètres compris entre 6 et 8 \(\upmu\)m et des cellules épithéliales normales de prostate immortalisées SV40 (PNT1A) avec des diamètres compris entre 9 et 11 \(\upmu\)m, sans compromettre la viabilité cellulaire. Cependant, le post-traitement des coefficients de rétrodiffusion intégrés (IB) basés sur les signaux rétrodiffusés mesurés est généralement un processus long et entraîne des erreurs possibles en raison du réglage manuel du temps de signal réfléchi entre le premier et le petit signal ultrasonore réfléchi produit par l'objet unique piégé. . De plus, l’énorme signal ultrasonore réfléchi provient du mince film de Mylar, car le coefficient IB est défini comme le rapport entre l’énergie rétrodiffusée d’un volume diffusant et celle d’une cible de quartz plate. Pour surmonter les limitations causées par l'analyse manuelle, des modèles d'intelligence artificielle basés sur l'apprentissage profond sont utilisés dans cette étude afin de minimiser le post-traitement.