本發(fā)明涉及細胞分選。更具體而言,本發(fā)明涉及基于圖像的細胞分選。
背景技術(shù):
1、傳統(tǒng)的熒光激活細胞分選依賴于用熒光標記物標注細胞,并且具有的細胞的形態(tài)信息非常有限。但是,一些應用需要細胞的形態(tài)信息來準確地分選細胞,而一些應用并不適合使用熒光標記物。此外,傳統(tǒng)的熒光激活細胞分選(facs)使用手動門控,以基于熒光標記物建立分選標準。但是,手動門控耗時且可能存在偏差。
2、一些研究提出了基于圖像的細胞分選,其使用基于深度神經(jīng)網(wǎng)絡(luò)或手工制作特征的監(jiān)督學習。它們假設(shè)具有基本事實的細胞圖像用于訓練,但這可能不可獲得。一些幫助門控處理的軟件依賴于熒光標記物的特定手工制作特征,這些特征可能對于一些應用沒有足夠的形態(tài)信息,或者可能不適合一些其他應用。
技術(shù)實現(xiàn)思路
1、圖像激活細胞分選(iacs)分類工作流程包括:采用基于神經(jīng)網(wǎng)絡(luò)的特征編碼器(或提取器)來提取細胞圖像的特征;基于提取的細胞特征自動對細胞進行聚類;基于細胞圖像識別聚類以挑選哪個(哪些)聚類要分選;基于所選擇的(一個或多個)聚類對分類網(wǎng)絡(luò)進行微調(diào);以及一旦經(jīng)細化(refine),分類網(wǎng)絡(luò)就被用于分選細胞進行實時活體分選。
2、在一個方面,一種方法包括使用基于神經(jīng)網(wǎng)絡(luò)的特征編碼器從細胞圖像中提取一個或多個特征;基于提取的一個或多個特征從細胞圖像中對一個或多個細胞進行聚類以生成一個或多個聚類;識別一個或多個聚類中要分選的聚類;基于聚類對分類網(wǎng)絡(luò)進行微調(diào)并且使用分類網(wǎng)絡(luò)對一組細胞執(zhí)行實時活體分選。一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。對一個或多個細胞進行聚類是基于靶蛋白質(zhì)的位置。當靶蛋白質(zhì)位于細胞溶膠(cytosol)中時,一個或多個細胞被聚類為休眠細胞,并且當靶蛋白質(zhì)位于細胞核中時,一個或多個細胞被聚類為激活細胞。識別要分選的聚類是基于用戶手動識別聚類。識別要分選的聚類是基于機器學習來識別聚類。其中微調(diào)分類網(wǎng)絡(luò)包括基于聚類使用附加數(shù)據(jù)集執(zhí)行訓練。
3、在另一方面,一種裝置包括用于存儲應用的非暫態(tài)存儲器,該應用用于:使用基于神經(jīng)網(wǎng)絡(luò)的特征編碼器從細胞圖像中提取一個或多個特征;基于提取的一個或多個特征從細胞圖像中對一個或多個細胞進行聚類以生成一個或多個聚類;識別一個或多個聚類中要分選的聚類;基于聚類對分類網(wǎng)絡(luò)進行微調(diào)并且使用分類網(wǎng)絡(luò)對一組細胞執(zhí)行實時活體分選;以及被配置為處理應用的處理器。一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。對一個或多個細胞進行聚類是基于靶蛋白質(zhì)的位置。當靶蛋白質(zhì)位于細胞溶膠中時,一個或多個細胞被聚類為休眠細胞,并且當靶蛋白質(zhì)位于細胞核中時,一個或多個細胞被聚類為激活細胞。識別要分選的聚類是基于用戶手動識別聚類。識別要分選的聚類是基于機器學習來識別聚類。微調(diào)分類網(wǎng)絡(luò)包括基于聚類使用附加數(shù)據(jù)集執(zhí)行訓練。
4、在另一方面,一種系統(tǒng)包括第一計算設(shè)備,其被配置用于將一個或多個細胞圖像發(fā)送到第二計算設(shè)備;以及第二計算設(shè)備,其被配置用于:使用基于神經(jīng)網(wǎng)絡(luò)的特征編碼器從一個或多個細胞圖像中提取一個或多個特征;基于提取的一個或多個特征從細胞圖像中對一個或多個細胞進行聚類以生成一個或多個聚類;識別一個或多個聚類中要分選的聚類;基于聚類對分類網(wǎng)絡(luò)進行微調(diào)并且使用分類網(wǎng)絡(luò)對一組細胞執(zhí)行實時活體分選。一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。對一個或多個細胞進行聚類是基于靶蛋白質(zhì)的位置。當靶蛋白質(zhì)位于細胞溶膠中時,一個或多個細胞被聚類為休眠細胞,并且當靶蛋白質(zhì)位于細胞核中時,一個或多個細胞被聚類為激活細胞。識別要分選的聚類是基于用戶手動識別聚類。識別要分選的聚類是基于機器學習來識別聚類。微調(diào)分類網(wǎng)絡(luò)包括基于聚類使用附加數(shù)據(jù)集執(zhí)行訓練。
1.一種方法,包括:
2.如權(quán)利要求1所述的方法,其中所述一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。
3.如權(quán)利要求2所述的方法,其中對所述一個或多個細胞進行聚類基于所述靶蛋白質(zhì)的位置。
4.如權(quán)利要求3所述的方法,其中當所述靶蛋白質(zhì)位于細胞溶膠中時,所述一個或多個細胞被聚類為休眠細胞,并且當所述靶蛋白質(zhì)位于細胞核中時,所述一個或多個細胞被聚類為激活細胞。
5.如權(quán)利要求1所述的方法,其中識別要分選的聚類基于用戶手動識別所述聚類。
6.如權(quán)利要求1所述的方法,其中識別要分選的聚類基于機器學習來識別所述聚類。
7.如權(quán)利要求1所述的方法,其中微調(diào)分類網(wǎng)絡(luò)包括基于所述聚類使用附加數(shù)據(jù)集來執(zhí)行訓練。
8.一種裝置,包括:
9.如權(quán)利要求8所述的裝置,其中所述一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。
10.如權(quán)利要求9所述的裝置,其中對所述一個或多個細胞進行聚類基于所述靶蛋白質(zhì)的位置。
11.如權(quán)利要求10所述的裝置,其中當所述靶蛋白質(zhì)位于細胞溶膠中時,所述一個或多個細胞被聚類為休眠細胞,并且當所述靶蛋白質(zhì)位于細胞核中時,所述一個或多個細胞被聚類為激活細胞。
12.如權(quán)利要求8所述的裝置,其中識別要分選的聚類基于用戶手動識別所述聚類。
13.如權(quán)利要求8所述的裝置,其中識別要分選的聚類基于機器學習來識別所述聚類。
14.如權(quán)利要求8所述的裝置,其中微調(diào)分類網(wǎng)絡(luò)包括基于所述聚類使用附加數(shù)據(jù)集來執(zhí)行訓練。
15.一種系統(tǒng),包括:
16.如權(quán)利要求15所述的系統(tǒng),其中所述一個或多個特征包括基于熒光染料的靶蛋白質(zhì)。
17.如權(quán)利要求16所述的系統(tǒng),其中對所述一個或多個細胞進行聚類基于所述靶蛋白質(zhì)的位置。
18.如權(quán)利要求17所述的系統(tǒng),其中當所述靶蛋白質(zhì)位于細胞溶膠中時,所述一個或多個細胞被聚類為休眠細胞,并且當所述靶蛋白質(zhì)位于細胞核中時,所述一個或多個細胞被聚類為激活細胞。
19.如權(quán)利要求15所述的系統(tǒng),其中識別要分選的聚類基于用戶手動識別所述聚類。
20.如權(quán)利要求15所述的系統(tǒng),其中識別要分選的聚類基于機器學習來識別所述聚類。
21.如權(quán)利要求15所述的系統(tǒng),其中微調(diào)分類網(wǎng)絡(luò)包括基于所述聚類使用附加數(shù)據(jù)集來執(zhí)行訓練。