Small Methods | 基于原子力顯微鏡與深度學(xué)習(xí)的人類巨噬細(xì)胞機(jī)械表型解碼
2025年7月28日,中國科學(xué)院深圳先進(jìn)技術(shù)研究院李洋團(tuán)隊(duì)在Small Methods在線發(fā)表了一篇題為AFM-Based Deep Learning Decodes Human Macrophage Mechanophenotypes的研究文章。提出并驗(yàn)證了一種結(jié)合原子力顯微鏡(AFM)與深度學(xué)習(xí)的新型方法,用于無標(biāo)記、非侵入性地解析人類巨噬細(xì)胞的力學(xué)表型,并精準(zhǔn)識別其極化狀態(tài)。
本研究團(tuán)隊(duì)創(chuàng)新性地構(gòu)建了一個(gè)集成人工智能(AI)與原子力顯微鏡(AFM)的平臺,利用納米級力映射技術(shù),在單細(xì)胞水平上捕捉巨噬細(xì)胞在不同激活狀態(tài)下的形態(tài)和納米力學(xué)特征,如楊氏模量、粘附力和球形度。通過深度神經(jīng)網(wǎng)絡(luò)(DNN)結(jié)合像素級數(shù)據(jù)增強(qiáng)和元置信度估計(jì)器,實(shí)現(xiàn)了對巨噬細(xì)胞M0(初始狀態(tài))、M1(促炎)和M2(抗炎)功能表型的動(dòng)態(tài)、穩(wěn)健分類。
為了驗(yàn)證該AI模型的生物學(xué)可靠性,研究人員同步開展了qPCR、RNA測序(RNA-seq)和流式細(xì)胞術(shù)等傳統(tǒng)生物學(xué)分析方法。結(jié)果顯示,AI算法的分類準(zhǔn)確率與傳統(tǒng)技術(shù)高度一致,且在無需標(biāo)記和預(yù)處理的條件下展現(xiàn)出優(yōu)越的速度與穩(wěn)定性。進(jìn)一步地,該方法被成功應(yīng)用于假病毒感染后巨噬細(xì)胞的極化狀態(tài)分析驗(yàn)證,揭示其在復(fù)雜生理?xiàng)l件下的強(qiáng)大識別能力。
研究表明,AFM提供的細(xì)胞力學(xué)“指紋”包含了與巨噬細(xì)胞功能狀態(tài)密切相關(guān)的關(guān)鍵信息,而深度學(xué)習(xí)模型則能夠自動(dòng)挖掘這些高維數(shù)據(jù)中的潛在特征,實(shí)現(xiàn)高精度、無偏的分類判斷。該方法不僅突破了傳統(tǒng)免疫表型識別手段的技術(shù)瓶頸,也為人工智能與細(xì)胞力學(xué)的深度融合提供了范例。
綜上所述,這項(xiàng)研究首次將原子力顯微力譜與深度學(xué)習(xí)結(jié)合,開發(fā)出一種適用于人類免疫細(xì)胞狀態(tài)識別的智能工具,不僅為免疫監(jiān)測、炎癥疾病診斷和免疫治療策略評估提供了新思路,也為未來構(gòu)建無創(chuàng)、智能化的細(xì)胞診斷平臺奠定了堅(jiān)實(shí)基礎(chǔ)。
本研究工作,李洋研究員、Massimiliano Galluzzi副研究員為共同通訊作者,奧地利薩爾茨堡大學(xué)聯(lián)培博士研究生陳佳欣和安徽財(cái)經(jīng)大學(xué)吳昊副教授為論文第一作者,中國科學(xué)院深圳先進(jìn)技術(shù)研究院為通訊單位。研究工作得到了國家自然科學(xué)基金、深圳市自然科學(xué)基金重點(diǎn)項(xiàng)目、中國科學(xué)院國際合作伙伴計(jì)劃等項(xiàng)目的大力支持。

圖1 ?基于原子力顯微鏡局域力-距離曲線的細(xì)胞生物力學(xué)特征,開發(fā)出深度學(xué)習(xí)算法,通過訓(xùn)練實(shí)驗(yàn)數(shù)據(jù)實(shí)現(xiàn)對巨噬細(xì)胞極化狀態(tài)的精準(zhǔn)預(yù)測。
附件下載: