Примарна цитометрія – революція в сортуванні клітин

Складні, гетерогенні системи, такі як в імунології, нейронауці та розвитку, можна краще зрозуміти, вивчивши пов’язані з ними клітинні характеристики. Ця область отримала назву «цитометрія». Хоча це дорогий і трудомісткий процес, нещодавно розроблена «примарна цитометрія» пропонує швидкі та надійні методи морфологічної ідентифікації клітин.

Недоліки попередніх методів

Імунофенотипування

Цитометрія є важливою галуззю дослідження, де зростає інтерес до дослідження раку. Аналіз підмножин клітин шляхом «імунофенотипування» виявляє відмінності в антигенах, які можуть ідентифікувати ракові клітини при лейкемії. Це використовується клінічно для виявлення раку та його підкласифікації. Однак цей метод заснований на наявності біологічного маркера.

Проточна цитометрія

Вивчення морфології клітин є ще одним методом сортування клітин, який не вимагає наявності або виявлення біологічного маркера для класифікації клітин. Однак побудова високоякісного придатного для використання зображення є важкою та дорогою через вимоги безперервного отримання зображення, швидкості затвора та частоти кадрів.

По-друге, зображення потім потребує обчислювальної реконструкції та аналізу, що і дорого, і трудомістко. Величезну кількість даних, отриманих за допомогою проточної цитометрії (IFC), широко використовуваного методу морфологічної оцінки ракових клітин, важко обробляти.

Привидена цитометрія вирішує ці проблеми, створюючи високоякісні зображення, які можна сортувати за допомогою машинного навчання.  

Примарна цитометрія: принцип

Зображення-привид

Примарна цитометрія не створює зображення в реальному часі, а поєднує світло, що випромінюється від флуоресценції, і машинне навчання для класифікації клітин. Традиційне «зображення-привид» — це техніка, за допомогою якої об’єкт опосередковано візуалізується світлом, де зображення опосередковано створюється кореляцією між двома променями світла.

Об'єкт, що цікавить, переміщується через статичну оптичну структуру. Флуорофори в об’єкті, що цікавить, таким чином збуджуються, і один піксельний детектор вимірює інтенсивність флуорофорів як одну об’єднану часову форму хвилі. Тимчасова форма хвилі, яка створюється, є результатом взаємодії між розподілом інтенсивності оптичної структури та рухомого об’єкта.

Реконструкція зображення

Як і назва, реконструкція зображення в примарній цитометрії має спільні корені з привидовою візуалізацією. Після того, як один піксельний детектор поглине сигнали з оптичної моделі, зображення відновлюється обчислювальним шляхом за допомогою спеціального алгоритму. Реконструкція зображення в привидній цитометрії в 10 000 разів швидша, ніж у привиденому зображенні.

Машинне навчання

Обробка великих даних

Одним із визначальних факторів привидової цитометрії є те, що зображення аналізуються в реальному часі. Незважаючи на те, що нові технології дозволяють збирати дані з високою точністю, обробити величезний обсяг інформації може бути важко. Щоб отримати придатну для використання інформацію із зображення примарної цитометрії, вчені використовували машинне навчання.

Підтримка векторної машини

Щоб уникнути великої кількості даних, зберігалися лише дані про сигнали, а не обов’язково перетворювалися на зображення. Цей метод працює для моделей машинного навчання. Використовуваний тип машинного навчання називається «машиною опорних векторів» (SVM), де алгоритму показано приклади кожного типу клітинок, а потім він створює модель, яка може розрізняти клітинки на один із цих двох типів клітинок.

У привидовій цитометрії це дозволяє класифікувати клітини в режимі реального часу за допомогою комп’ютера на основі випромінюваних довжин хвиль. Це усуває залежність від компетенції людини, значно розширюючи потенційне використання привидової цитометрії.

Додатки

Щоб переконатися, що їхній метод привидової цитометрії життєздатний, вчені випробували цей метод на клітинах раку підшлункової залози. Цитометр-привид міг розрізняти ракові та неракові клітини, навіть якщо вони були схожі за розміром, інтенсивністю флуоресценції та морфологічними ознаками.

Метод виявився точним, коли типи клітин були присутні в крові та в різних концентраціях. Таким чином, він має високий рівень точності, враховуючи, що класифікація дуже схожих типів клітин раніше була проблемою для цитометрів і людських аналізаторів, коли біологічні маркери відсутні.