用于癌细胞转移亚型无标记分层的微流控流式细胞仪+深度学习

细胞变形性（Cellular deformability）是医学上评价细胞生理状态的一种很有前景的生物标志物。目前，微流控技术已经成为测量细胞变形性的一种强有力的工具。然而，现有的基于微流控技术的细胞变形性测量方法严重依赖于图像分析，从而限制了其在高通量应用中的可扩展性。

据麦姆斯咨询报道，为了解决上述挑战，香港城市大学（City University of Hong Kong）和香港心脑血管健康工程研究中心（Hong Kong Center for Cerebro-Cardiovascular Health Engineering，COCHE）的研究人员合作开发了一种并行的基于收缩变形性的微流控流式细胞仪（cDC）和一种集成式计算框架（ATMQcD）。这种cDC + ATMQcD系统利用细胞刚度指数（c1指数），可以在单细胞水平上评估临床相关异质性癌细胞群和来源于多种癌症类型的癌细胞的侵袭性，包括乳腺癌、肺癌和膀胱癌。

研究结果发现，这种cDC + ATMQcD系统在效率、灵敏度和成本效益方面均优于传统的癌细胞转移性评估方法，有潜力成为全球卫生保健场景中用于快速筛查和精确临床诊断的补充性和具有前景的工具。相关研究成果近期以“A deformability-based biochip for precise label-free stratification ofmetastatic subtypes using deep learning”为题发表在microsystems & nanoengineering期刊上。

具体而言，为了构建一种高效、经济、高灵敏度和高通量的细胞力学性能测量方法，研究人员开发了一种并行的基于收缩变形性的微流控流式细胞仪。该微流控流式细胞仪具有四组微收缩通道，每组包含九个单独的微收缩通道。这种设计使得其能够以高通量和宽视场处理样品，从而显著提高操作效率。

图1 基于收缩变形性的微流控流式细胞仪（cDC）设计

为了实现这种微流控流式细胞仪的临床应用，使用来自液体活检的真实样本进行高通量细胞测量至关重要，这就需要更快的细胞运动和更高的测量效率。因此，开发一种能够同时追踪多个快速运动物体的图像分析系统至关重要。为此，研究人员开发了一种名为ATMQcD的计算框架。通过结合用于目标检测（Yolov5）、追踪（Deep SORT）和分割（ResUNet++）的尖端技术，ATMQcD计算框架可以在一个视场中捕获多个快速移动的目标，并实现高通量细胞测量。利用ATMOcD计算框架，该研究获得了与细胞形态和运动相关的多个参数，包括通过时间、细胞大小和收缩面积。

基于这些参数，研究人员开发了一个简单的支持向量机（SVM）分类器，其在具有不同转移潜力的乳腺癌细胞的分类应用中，准确率达到了0.934。此外，ATMQcD计算框架可以与基于细胞轨迹的生物力学分析相结合，以量化与细胞弹性模量成正比的细胞刚度。

图2 细胞变形性的量化和ATMQcD计算框架

 

图3 训练集生成和基于Yolov5的模型的建立

 

图4 细胞追踪和细胞变形性测量的量化

最后，研究人员使用具有不同转移潜力的癌细胞系验证了cDC + ATMQcD系统区分具有不同变形性的细胞的能力。评估结果显示，cDC + ATMQcD系统在缺氧治疗前后进行的侵袭性评估和癌细胞分层的分类准确率达到92.4%。此外，该系统在区分癌细胞和白细胞方面也表现出优异的性能（准确率为89.5%）。同时，该系统可用于评估来源于多种癌症类型的癌细胞和混合细胞群的转移潜力，甚至在现实世界的临床条件下也适用。

图5 cDC + ATMQcD系统对乳腺癌细胞的轨迹分析

 

图6 量化细胞变形性以区分具有不同转移潜力的细胞

综上所述，通过结合微流控技术和深度学习，该研究提出的开创性cDC + ATMQcD系统实现了每分钟约25,000个细胞的高通量，并且具有高灵敏度、低成本和易于操作的优势。展望未来，这种cDC + ATMQcD系统有望通过与微流控技术集成进行生物标志物的富集和体外疾病模型的构建，以实现在液体活检、药物测试和疾病机制研究等领域的更广泛的应用。

审核编辑：刘清