Deep Learning in der label-freien Zellklassifikation

Zusammenfassung: Die label-freie Zellanalyse ist entscheidend für die personalisierte Genomforschung, Krebsdiagnostik und Arzneimittelentwicklung, da sie adverse Effekte von Färbereagenzien auf die Zelllebensfähigkeit und Zell-Signalgebung vermeidet. Allerdings basieren die derzeit verfügbaren label-freien Zellassays weitgehend nur auf einem einzigen Merkmal und weisen nicht genügend Differenzierung auf. Zudem ist die analysierte Stichprobengröße dieser Assays aufgrund ihres niedrigen Durchsatzes begrenzt. Hier integrieren wir Merkmalsextraktion und Deep Learning mit hochdurchsatzfähiger quantitativer Bildgebung, die durch photonische Zeitdehnung ermöglicht wird, und erreichen eine rekordhohe Genauigkeit bei der label-freien Zellklassifikation. Unser System erfasst quantitative optische Phasen- und Intensitätsbilder und extrahiert mehrere biophysikalische Merkmale einzelner Zellen. Diese biophysikalischen Messungen bilden einen hyperdimensionalen Merkmalsraum, in dem das überwachte Lernen zur Zellklassifikation durchgeführt wird. Wir vergleichen verschiedene Lernalgorithmen, darunter künstliche neuronale Netzwerke, Support Vector Machines, logistische Regression und eine neuartige Deep Learning Pipeline, die die globale Optimierung der Receiver Operating Characteristics anwendet. Als Validierung der erhöhten Sensitivität und Spezifität unseres Systems zeigen wir die Klassifikation von weißen Blut T-Zellen im Vergleich zu Kolonkarzinomzellen sowie von lipideinlagernden Algenstämmen für die Biokraftstoffproduktion. Dieses System eröffnet einen neuen Weg zu datengestützter phänotypischer Diagnostik und einem besseren Verständnis der heterogenen Genexpressionsmuster in Zellen.