라벨-무료 3 차원 양적 위상 이미징 사용 하 여 림프 구의 식별 및 기계 학습

림프 톨 B, 도우미 (CD4 +) T, 세포 독성 (CD8 +) T, 및 T는 규제를 포함 한 다양 한 하위 유형으로 분류 될 수 있다 세포. 각 림프 구 종류는 다른 역할 적응 면역 체계; 예를 들어 B 림프 톨 생성 항 체, T 림프 톨 특정 항을 검색 하 고 비정상 세포를 제거 하 고, B 림프 톨을 규제 하는 반면. 림프 구 기능 및 규정은 밀접 하 게 의해 제어 되며 암¹,², 자가 면역 질환 및 바이러스 감염³를 포함 하 여 다양 한 질병에 관련 된. 따라서, 림프 구 종류의 식별은 같은 질병에 immunotherapy 클리닉에 대 한 그들의 병 태 생리 역할을 이해 하는 것이 중요.

현재, 림프 구 종류를 분류 하기 위한 방법 특정 표면 막 단백질 또는 표면 마커⁴를 대상으로 항 원-항 체 반응에 의존 합니다. 표면 마커를 대상으로 림프 구 종류를 결정 하는 정확 하 고 정확한 방법입니다. 그러나, 그것은 비싼 시 약 및 시간이 걸리는 절차를 요구 한다. 또한, 그것은 막 단백질 구조의 수정 및 세포 기능 변경의 위험을 운반합니다.

이러한 문제를 해결 하려면 여기에 설명 된 프로토콜 레이블 없는 신분의 림프 구 종류 (QPI) 이미징 3D 양적 단계⁵를 학습 하는 기계를 사용 하 여 소개 합니다. 이 메서드는 개별 세포의 레이블 없는 3D 영상에서 추출한 형태학 정보에 따라 단일 셀 수준에서 림프 구 종류의 분류를 수 있습니다. 기존의 형광 현미경 검사 법 기술, 달리 QPI 광학 대조^6,7굴절률 (RI) 배포판 (라이브 세포 및 조직의 기본 광학 속성)를 사용합니다. 개별 세포의 RI tomograms 세포의 특정 하위 phenotypic 정보를 나타냅니다. 이 경우에, 개별 세포의 3D RI tomograms를 체계적으로 활용 하는 감독된 기계 학습 알고리즘은 이용 되었다.

다양 한 QPI 기술을 사용 하 여, 셀의 3D RI tomograms 적극적으로 사용 되었습니다 셀 이상의 연구에 대 한 레이블-무료, 제공 하기 때문에 양적 이미징 기능^{8,,910, 11,,1213}. 또한, 개별 셀의 3D 리 배포판 형태학, 생화학, 및 biomechanical 셀에 대 한 정보를 제공할 수 있습니다. 3D RI tomograms 이전 혈액학^14,15,,1617, 전염병^18,19, 의 분야에 이용 되었습니다 ²⁰,²¹면역학, 세포 생물학^22,23, 염증²⁴, 암²⁵, 신경 과학^26,27, 개발 생물학²⁸, 독극물 ²⁹, 그리고 미생물학^12,30,,3132.

3D RI tomograms 셀의 자세한 형태학 및 생화학 정보 제공, 림프 구 하위 분류 단순히 3D RI tomograms⁵을 이미징 하 여 달성 하기 어렵습니다. 체계적으로 그리고 양이 많게 측정된 3D RI tomograms 셀 유형 분류에 대 한 악용, 우리는 기계 학습 알고리즘을 활용. 최근, 여러 작품 보고 되었습니다 어떤 양적 단계에서 셀의 이미지 분석 되었다 다양 한 기계 학습 알고리즘³³, 미생물³⁴, 세균성 속³⁵ 의 분류의 탐지를 포함 하 여 ^{, 36}, 탄 저 균 포자³⁷, 신속 하 고 레이블 없는 감지 자동 정자 세포³⁸의 분석, 암 세포^39,40, 분석 및 대 식 세포 활성화⁴¹의 검출.

이 프로토콜 3D QPI 및 기계 학습을 사용 하 여 개별 셀 수준에서 림프 구 종류의 레이블 없는 식별을 수행 하는 자세한 단계를 제공 합니다. 이것은 포함 한다: 1) 림프 구 분리 마우스 혈액, 림프 구 2) 3D 리 tomograms에서 흐름 cytometry, 3) 3D QPI, 4) 양적 특징 추출 통해 정렬 및 림프 구 종류를 식별 하는 데 5) 감독된 학습에서.