基于深度学习的大规模实时定量微反应器中绿色荧光蛋白标记生物样本的方法
定量方法
2023-09-06 v1 系统与控制
图像与视频处理
系统与控制
摘要
生物样本的绝对定量旨在以精确的数值拷贝数确定表达水平，为稀有模板提供增强的准确度和更优的性能。然而，现有方法存在显著局限：流式细胞仪既昂贵又复杂，而依赖软件工具或人工计数的荧光成像则耗时且易出错。在本研究中，我们设计了一套全面的深度学习赋能流程，可自动分割与分类 GFP（绿色荧光蛋白）标记的微反应器，从而实现实时绝对定量。我们的结果表明，该技术利用标准实验室荧光显微镜即可准确预测微反应器的尺寸与占用状态，从而提供模板浓度的精确测量。值得注意的是，我们的方法展现出在极短 2.5 秒内定量超过 2,000 个微反应器（跨 10 张图像）的分析速度，以及从每微米-升 56.52 到 1569.43 拷贝的动态范围。此外，我们的 Deep-dGFP 算法展现出卓越的泛化能力，可直接应用于各类 GFP 标记场景，包括基于液滴、基于微孔与基于琼脂糖的生物应用。据我们所知，这代表了在全合一图像分析算法于液滴数字 PCR（聚合酶链式反应）、微孔数字 PCR、液滴单细胞测序、琼脂糖数字 PCR 及细菌定量中的首次成功实现，且无需任何迁移学习步骤、修改或重训练过程。我们坚信，我们的 Deep-dGFP 技术将被生物医学实验室迅速采纳，并有望在相关临床应用中进一步发展。
引用
@article{arxiv.2309.01384,
title = {Deep Learning Approach for Large-Scale, Real-Time Quantification of Green Fluorescent Protein-Labeled Biological Samples in Microreactors},
author = {Yuanyuan Wei and Sai Mu Dalike Abaxi and Nawaz Mehmood and Luoquan Li and Fuyang Qu and Guangyao Cheng and Dehua Hu and Yi-Ping Ho and Scott Wu Yuan and Ho-Pui Ho},
journal= {arXiv preprint arXiv:2309.01384},
year = {2023}
}
备注
23 pages, 6 figures, 1 table