用三维定量相位成像和机器学习技术对淋巴细胞亚型进行无标签鉴定

淋巴细胞可分为多种亚型, 包括 b、辅助 (cd4 +) t、细胞毒性 (cd8 +) t 和调节 t 细胞。每种淋巴细胞类型在适应性免疫系统中都有不同的作用;例如, b 淋巴细胞产生抗体, 而 t 淋巴细胞检测到特定的抗原, 消除异常细胞, 并调节 b 淋巴细胞。淋巴细胞功能和调节受到各种疾病的严格控制, 并与之相关, 包括癌症¹、自身免疫性疾病²和病毒^{感染 3}。因此, 确定淋巴细胞类型对于了解其在此类疾病中的病理生理作用以及在临床上进行免疫治疗具有重要意义。

目前, 淋巴细胞类型的分类方法依靠抗原抗体反应, 靶向特定的表面膜蛋白或表面标记⁴。靶向表面标记是确定淋巴细胞类型的一种精确和准确的方法。但是, 它需要昂贵的试剂和耗时的程序。此外, 它还具有改变膜蛋白结构和改变细胞功能的风险。

为了克服这些挑战, 这里描述的协议介绍了使用三维定量相位成像 (qpi) 和机器学习5的淋巴细胞类型的无标签识别^.这种方法可以根据从单个淋巴细胞的无标签三维成像中提取的形态信息, 在单细胞水平上对淋巴细胞类型进行分类。与传统的荧光显微镜技术不同, qpi 利用折射率 (ri) 分布 (活细胞和组织的固有光学特性) 作为光学对比度^6,7。单个淋巴细胞的 ri 图是特定于淋巴细胞亚型的表型信息。在这种情况下, 为了系统地利用单个淋巴细胞的三维 ri 断层扫描, 采用了一种有监督的机器学习算法。

利用各种 qpi 技术, 细胞的三维 ri 图像已被积极用于细胞病理生理学的研究, 因为它们提供了一个无标签, 定量成像能力^{8,9,10, 11,12,13}。此外, 单个细胞的三维 ri 分布可以提供有关细胞的形态、生化和生物力学信息。3d ri 断层扫描术以前曾被用于血液学^{领域 14,15,}16, 17, 传染病^{18,19, 20}、免疫学²¹、细胞生物学²²、23、炎症²⁴、癌症25、神经科学²⁶、²⁷、发育^{生物学 28}、毒理学²⁹, 微生物学^12,30,^31,32。

尽管 3d ri 断层扫描物提供了细胞的详细形态和生化信息, 但通过简单地成像 3d ri 图5很难实现淋巴细胞亚型的分类^.为了系统、定量地利用测量到的三维 ri 图进行细胞类型分类, 我们采用了机器学习算法。最近, 有几项工作是用各种机器学习算法³³分析细胞的定量相位图像, 包括^微生物的检测34、细菌属的分类 35^,36、炭疽孢子的快速无标签检测 37, 精子细胞^的自动分析 38, 癌细胞 39^,40 的分析, 巨噬细胞^活化41 的检测^.

该协议提供了详细的步骤, 使用 3d qpi 和机器学习在单个细胞级别执行无标签的淋巴细胞类型识别。这包括: 1) 从小鼠血液中分离淋巴细胞, 2) 通过流式细胞仪进行淋巴细胞分选, 3) 3d qpi, 4) 从 3d ri 肿瘤中提取定量特征, 5) 有监督的学习, 以识别淋巴细胞类型。