深度学习图像识别辅助原子力显微镜单细胞力学特性精准高效探测

目的 原子力显微镜（AFM）的出现为生命科学研究提供了强大工具,特别是AFM压痕实验技术已成为细胞力学特性探测的重要方法,从单细胞尺度为生理病理活动过程带来了大量新的认识,是对传统生化集群平均研究方法的有力补充。然而现有AFM压痕实验技术存在着依赖人工、效率低下等不足,严重制约了其在生命科学领域的实际应用。本文通过将光学显微成像自动目标识别技术与AFM压痕技术结合,建立了单个游离态细胞及聚团生长细胞的力学特性精准高效测量方法。方法 利用YOLO深度学习算法识别出光学图像中细胞的中心部位,并通过嵌入视觉转换器（ViT）模块的双UNet神经网络模型对细胞边缘部位进行精确分割,同时采用模板匹配算法对光学图像中AFM微球探针进行定位,在此基础上自动确定AFM探针上的微球针尖与细胞不同部位之间的空间位置关系,进而对细胞中心部位和边缘部位的力学特性进行快速测量。选取HEK 293（人胚胎肾细胞）和HGC-27（人未分化胃癌细胞）两种细胞进行验证实验,并利用Hertz模型对获取的力曲线进行分析以得到细胞杨氏模量。结果 在深度学习光学图像自动识别导引下可将AFM探针准确移动至细胞不同部位（中心和边缘）进行力学特性测量,同时实验结果表明,本文提出的方法不仅可对单个游离态细胞进行可靠测量,也适用于聚团生长的细胞。结论 深度学习图像识别在辅助AFM单细胞力学特性精准高效探测方面具有巨大潜力,将深度学习图像识别与AFM结合有助于发展面向生物医学应用的高通量单细胞力学特性测量方法。

Deep Learning Image Recognition-assisted Atomic Force Microscopy for Precise and Efficient Detection of Single-cell Mechanical Properties