Notícias

Oct 13, 2023

célula automatizada

Relatórios Científicos volume 12,

Scientific Reports volume 12, Número do artigo: 19873 (2022) Citar este artigo

651 Acessos

1 Altmétrica

Detalhes das métricas

Este estudo teve como objetivo classificar automaticamente células vivas com base em seu tipo de célula, analisando os padrões de sinais retroespalhados de células com efeito mínimo na fisiologia e atividade celular normal. Nossos estudos anteriores demonstraram que a detecção acústica sem rótulo usando ultrassom de alta frequência em uma alta frequência de repetição de pulso (PRF) pode capturar e analisar um único objeto de uma amostra heterogênea. No entanto, é crucial eliminar possíveis erros na configuração manual e processos demorados ao pós-processar coeficientes de retroespalhamento integrado (IB) de sinais retroespalhados. Neste estudo, é proposto um sistema automatizado de classificação de tipo de célula que combina uma técnica de detecção acústica livre de rótulos com modelos de inteligência artificial habilitados para aprendizado profundo. Aplicamos um autoencoder convolucional unidimensional (1D) para reduzir o ruído dos sinais e realizamos aumento de dados com base na injeção de ruído gaussiano para aumentar a robustez do sistema de classificação proposto para ruído. Posteriormente, sinais retroespalhados sem ruído foram classificados em tipos de células específicos usando modelos de rede neural convolucional (CNN) para três tipos de representações de dados de sinal, incluindo modelos 1D CNN para análise de forma de onda e espectro de frequência e modelos bidimensionais (2D) CNN para análise de espectrograma. Avaliamos o sistema proposto classificando dois tipos de células (por exemplo, RBC e PNT1A) e dois tipos de microesferas de poliestireno analisando seus padrões de sinal retroespalhado. Tentamos descobrir as propriedades físicas das células refletidas nos sinais retroespalhados controlando variáveis ​​experimentais, como diâmetro e material da estrutura. Avaliamos ainda mais a eficácia dos modelos de rede neural e a eficácia das representações de dados comparando sua precisão com a dos métodos de linha de base. Portanto, o sistema proposto pode ser usado para classificar de forma confiável e precisa vários tipos de células com diferentes propriedades físicas intrínsecas para o desenvolvimento de medicamentos personalizados contra o câncer.

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 anticorpos específicos16,17 ou propriedades físicas intrínsecas da célula, incluindo tamanho, densidade e compressibilidade18,19,20,21. Entre essas técnicas, os métodos de classificação de células livres de rótulos baseados em biomarcadores físicos intrínsecos têm sido amplamente utilizados porque não requerem tarefas intensivas ou rótulos específicos de superfície celular para identificar as células de interesse. Assim, os efeitos colaterais indesejados na atividade e fisiologia celular normal podem ser minimizados em comparação com os métodos convencionais de seleção de células auxiliadas por marcação, como seleção de células ativadas por fluorescência e seleção de células ativadas por magnetismo18,19. Abordagens como pinças ópticas e plataformas microfluídicas podem separar células de forma eficaz e confiável. No entanto, esses métodos sofrem de limitações críticas, como efeito fototérmico, juntamente com o uso de forte intensidade de luz, técnicas difíceis e efeitos indesejáveis ​​de tensão de cisalhamento, aderência e bloqueio nas funções e respostas celulares devido a irregularidades estruturais nas microestruturas20,21, 22,23.

As pinças acústicas baseadas em ultrassom demonstraram recentemente ser capazes de capturar células individuais ou medir as propriedades físicas das células como um coeficiente de retroespalhamento com uma configuração experimental relativamente simples e econômica24,25,26,27. Pulsos de ultrassom mais longos e pulsos curtos subsequentes são necessários para manipular com segurança e adquirir sinais retroespalhados da única célula capturada, respectivamente, usando o mesmo transdutor ou transdutores diferentes para cada procedimento. No entanto, a medição precisa em uma única célula presa é um desafio devido ao uso inevitável de duas sequências de pulso diferentes junto com as configurações experimentais, o que pode resultar em informações enganosas. Para lidar com essa limitação crítica, pinças acústicas com ultrassom de alta frequência em uma alta frequência de repetição de pulso (PRF) foram desenvolvidas para capturar simultaneamente uma única célula alvo e medir seus sinais retroespalhados28. Os pulsos de ultrassom monociclo em um alto PRF são capazes de capturar uma única célula alvo, com um nível mais baixo de força de captura acústica em comparação com pinças acústicas convencionais com energia acústica excessiva com pulsos mais longos. Além disso, eles podem medir simultaneamente os sinais retroespalhados dos objetos do tamanho de um único mícron presos, para identificar dois diâmetros de microesferas diferentes, como 5 e 10 \(\upmu\)m, e dois diâmetros de células diferentes, incluindo glóbulos vermelhos (RBCs ) com diâmetros entre 6 e 8 \(\upmu\)m e células epiteliais imortalizadas da próstata (PNT1A) SV40 normais com diâmetros entre 9 e 11 \(\upmu\)m, sem comprometer a viabilidade celular. No entanto, o pós-processamento dos coeficientes de retroespalhamento integrados (IB) com base em sinais de retroespalhamento medidos é normalmente um processo demorado e causa possíveis erros devido à configuração manual do tempo de sinal refletido entre o primeiro e o minúsculo sinal de ultrassom refletido produzido pelo único objeto preso . Além disso, o enorme sinal de ultrassom refletido vem do filme fino de Mylar, já que o coeficiente IB é definido como a razão entre a energia retroespalhada de um volume de espalhamento e a de um alvo de quartzo plano. Para superar as limitações causadas pela análise manual, modelos de inteligência artificial com aprendizado profundo são empregados neste estudo para minimizar o pós-processamento.