基于细胞友好型光刻胶与深度学习的形态学无标记细胞分离系统

《BioChip Journal》:Morphology-Based Label-Free Cell Separation System Utilizing a Cell-friendly Photoresist and Deep Learning

【字体: 大 中 小 】 时间:2026年09月23日 来源:BioChip Journal 6.7

编辑推荐:

  细胞分离技术对于基于细胞的分析和疗法至关重要。然而,从有限样本中高保真分离特定细胞亚群仍然是一个重大挑战,因为荧光激活细胞分选(fluorescence-activated cell sorting, FACS)和磁激活细胞分选(magnetic-activa

  
细胞分离技术对于基于细胞的分析和疗法至关重要。然而,从有限样本中高保真分离特定细胞亚群仍然是一个重大挑战,因为荧光激活细胞分选(fluorescence-activated cell sorting, FACS)和磁激活细胞分选(magnetic-activated cell sorting, MACS)等常规方法通常需要大量起始标记细胞和破坏性的悬浮状态。为应对这一挑战,研究人员开发了一种无标记、基于形态学的细胞分离平台,可在保留贴壁细胞天然状态的同时实现选择性分离。肿瘤组织中发现的三种代表性细胞类型——癌细胞、成纤维细胞和巨噬细胞——被用作模型系统。将细胞混合物接种到细胞友好型光刻胶表面,该表面在光照暴露时可溶于细胞培养基而不损伤细胞,并采集微分干涉差(differential interference contrast, DIC)图像。采用基于Mask R-CNN模型的深度学习算法实时识别、分类并生成细胞分割掩膜。该分类模型实现了高精度,在交并比(Intersection over Union, IoU)阈值为0.5时所有对角线数值均超过0.8。通过数字微镜器件(digital micromirror device, DMD)生成的动态光掩模投射光线,附着在光刻胶表面的靶细胞被选择性脱附,所有细胞类型的脱附效率均超过90%。该平台能够从小样本中实现自动化、无标记、空间选择性的细胞分离,并通过电动载物台的多位置操作展示了可扩展性。
细胞分离技术是生物医学研究和临床诊断中的基础工具。传统FACS和MACS依赖外源标记和悬浮态细胞,存在标记引起的生理干扰、信号通路激活以及无法利用形态学信息等问题。因此,亟需开发一种能够在贴壁状态下基于固有形态特征进行高保真识别和分离的新策略。研究人员构建了一种无标记、基于形态学的细胞分离平台,将细胞友好型光刻胶PDMP(poly(2,2-dimethoxy nitrobenzyl methacrylate-r-methyl methacrylate-r-poly(ethylene glycol) methacrylate),聚(2,2-二甲氧基硝基苄基甲基丙烯酸酯-共-甲基丙烯酸甲酯-共-聚乙二醇甲基丙烯酸酯))薄膜、DIC无标记成像、基于Mask R-CNN(Mask Region-based Convolutional Neural Network,掩膜区域卷积神经网络)的深度学习算法以及DMD光图案化技术相结合。以肿瘤微环境中常见的4T1乳腺癌细胞、NIH-3T3成纤维细胞和RAW 264.7巨噬细胞为模型系统,细胞被接种于纤连蛋白包被的PDMP表面,通过DIC图像实时分类并生成分割掩膜,再以365 nm光选择性溶解PDMP,实现靶细胞的空间选择性脱附。该平台可在不损伤细胞的前提下,从少量样本中自动完成细胞分离,并通过电动载物台实现多位置可扩展操作。

主要关键技术方法包括:(1) 合成并旋涂PDMP光刻胶制备可光降解的细胞黏附基底;(2) 利用DIC显微镜无标记采集贴壁细胞图像;(3) 采用基于Mask R-CNN(ResNet101骨干)的实例分割模型,经VGG图像标注器标注和数据增强后训练;(4) 利用DMD生成动态光掩模,以365 nm光选择性溶解PDMP实现细胞脱附;(5) 使用电动载物台开展多位置自动化操作。样本为4T1、NIH-3T3和RAW 264.7细胞系,无临床患者队列。

研究结果:

2.1 无标记细胞分离系统原理性设计
研究人员描述了系统的完整流程:细胞混合物在PDMP薄膜上培养后,先通过DIC显微镜成像,再由深度学习算法进行分割和分类,之后根据分类结果利用DMD生成特定细胞类型的动态光掩模,最后以图案化365 nm光照射使靶细胞所在区域的PDMP溶解并实现选择性脱附。该系统以肿瘤组织中三种代表性贴壁细胞为模型,验证了基于形态学的分离可行性。

2.2 模型训练与性能评估
研究人员分别收集4T1、3T3和RAW细胞的大量DIC图像,并使用荧光标记作为真值进行人工标注。通过比较ResNet50与ResNet101两种骨干网络,发现两者在30个训练周期内均稳定收敛,无显著过拟合。在IoU阈值为0.5和0.75下,ResNet101的分割与分类指标均优于ResNet50。在独立测试集中,ResNet101在IoU阈值为0.5时的混淆矩阵对角线数值均超过0.8,而ResNet50将43%的4T1细胞误分类为3T3成纤维细胞。因此后续实验选用ResNet101骨干和IoU阈值0.5。

2.3 实时无标记细胞分割与分类
优化后的Mask R-CNN模型可对DIC图像执行多类别实例分割,同时完成感兴趣区域对齐、边界框回归、类别分配和像素级掩膜生成。预测结果与荧光叠加图像在空间上高度一致,并能区分紧密相邻的细胞。从图像采集到生成二值掩膜的总时间通常小于200 ms,其中DIC采集约10 ms、模型预测约150 ms、掩膜提取约22 ms,能够满足实时处理需求。

2.4 原位细胞分类与脱附
研究人员在维持5% CO2和37 °C的显微镜载物台培养环境中,利用DMD根据深度学习生成的掩膜投射空间调制光,依次选择性脱附RAW、3T3和4T1细胞。荧光图像验证显示,预测准确率虽略低于测试集,但被准确预测细胞的脱附效率较高:4T1为94.6%,RAW为90.0%,3T3为95.8%。活力与增殖实验表明,经光照从PDMP表面脱附的细胞与对照组相比,细胞活力和增殖能力无显著差异,说明该脱附过程对细胞损伤较小。此外,利用电动载物台在5个重叠位置重复进行3T3细胞脱附,各位置脱附效率无显著差异,证明系统具有良好的多位置可扩展性。

讨论与结论:
该平台区别于依赖悬浮细胞的传统图像激活细胞分选系统,可在贴壁原生状态下根据细胞形态进行识别,避免了外源标记对细胞生理状态的干扰。其局限性包括:通量受视野和脱附速度限制,适用于临床活检等样本量有限的情形;对复杂临床样本的普适性仍需扩大训练数据集和优化模型;脱附后细胞的收集和富集尚未完全集成。多位置电动载物台操作展示了通量提升路径,但大规模应用仍需进一步自动化和并行化工程。总之,研究人员开发了一种利用细胞友好型光刻胶薄膜和深度学习图像处理的无标记细胞分离方法。系统采用DIC成像与Mask R-CNN算法实时识别、分类并生成分割掩膜,通过DMD投射动态光掩模,以高精度选择性脱附PDMP表面靶细胞,并通过电动载物台实现了跨多个位置的自动化预测与分离,显示出可扩展应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号