【技术实现步骤摘要】
基于深度学习的神经干细胞分化方向预测系统及方法
本专利技术涉及生物医学和人工智能
,具体地说,涉及基于深度学习的神经干细胞分化方向预测系统及方法。
技术介绍
神经干细胞(Neuralstemcells,NSCs)是一类存在于中枢神经系统中的干细胞,具有以下特征:1)能形成神经组织;2)具有自我繁殖和自我更新能力;3)具有分化为神经元、星形胶质细胞和少突胶质细胞的潜能。近年来,神经干细胞在中枢神经系统疾病的基础生物学探究和基于细胞的治疗方面都具有巨大的潜力。目前,神经干细胞的治疗前景主要受限于不能精准控制培养过程中的干细胞行为,如何精准调控神经干细胞的定向分化成为一个至关重要的研究热点。而在常规的实验室基础研究中,判断干预后神经干细胞的分化方向往往需要复杂的实验验证过程,要了解干细胞分化的结果需要花费1个月甚至更长的时间,而在诱导NSCs因子的筛选应用中,需要预先知道在测试因子作用下的NSCs将会分化成哪种类型的细胞。常规实验手段包括免疫荧光染色,流式细胞染色等手段,效率低,耗时长,耗费高。创建一种集快速、精准、高效、简易为一体的预测判断神经干细胞分化方向的方法,可以有效提高相关科学研究的进度,为NSCs的治疗应用前景创造有力的支持。有一些相关研究也一直在致力于缩短判断干细胞分化方向的时间,据NatureMethods杂志(doi:10.1038/nmeth.1487)报道,密歇根大学生物工程系与机械工程系和我国台湾成功大学医学院骨关节研究中心等处的研究人员开发了一种新型培养基,将成体干细胞在其中培养24 ...
【技术保护点】
1.一种基于深度学习的神经干细胞分化方向预测方法,其特征在于,包括以下步骤:/nS100,利用全景流式细胞仪收集神经干细胞分化培养的细胞图像,包括分化为神经元、星形胶质细胞和少突胶质细胞三个方向的细胞图像;/nS200,将全景流式细胞仪收集的神经干细胞分化培养的细胞图像,输入卷积神经网络模型,由卷积神经网络模型自动提取有效的特征,训练得到神经干细胞分化方向预测模型;/nS300,将待分析分化方向的神经干细胞,利用全景流式细胞仪收集其细胞图像并输入所述神经干细胞分化方向预测模型,得到预测结果。/n
【技术特征摘要】
1.一种基于深度学习的神经干细胞分化方向预测方法,其特征在于,包括以下步骤:
S100,利用全景流式细胞仪收集神经干细胞分化培养的细胞图像,包括分化为神经元、星形胶质细胞和少突胶质细胞三个方向的细胞图像;
S200,将全景流式细胞仪收集的神经干细胞分化培养的细胞图像,输入卷积神经网络模型,由卷积神经网络模型自动提取有效的特征,训练得到神经干细胞分化方向预测模型;
S300,将待分析分化方向的神经干细胞,利用全景流式细胞仪收集其细胞图像并输入所述神经干细胞分化方向预测模型,得到预测结果。
2.根据权利要求1所述的基于深度学习的神经干细胞分化方向预测方法,其特征在于,所述卷积神经网络模型表达式为:
模型子网络模块1(m1)的表达式为:
z1,1=Conv1,1(x);
a1,1=Relu(z1,1);
z1,2=Conv1,2(a1,1);
a1,2=Relu(z1,2);
u=a1,2;
模型子网络模块2(m2)的表达式为:
z2,1;s=Conv2,1;sx;
z2,1=DSConv2,1(x);
a2,1=Relu(z2,1);
z2,2=DSConv2,2(a2,1);
p2,1=Pool(z2,2);
u=p2,1+z2,1;s;
模型子网络模块3(m3)的表达式为:
z3,1;s=Conv3,1;sx;
z3,1=DSConv3,1(x);
a3,1=Relu(z3,1);
z3,2=DSConv3,2(a3,1);
p3,1=Pool(z3,2);
u=p3,1+z3,1;s;
模型子网络模块4(m4)的表达式为:
a4,1=Relu(x);
z4,1=DSConv4,1(a4,1);
a4,2=Relu(z4,1);
z4,2=DSConv4,2(a4,2);
a4,3=Relu(z4,2);
z4,3=DSConv4,3(a4,3);
u=z4,3+x;
模型子网络模块5(m5)的表达式为:
z5,1;s=Conv5,1;sx;
a5,1=Relu(x);
z5,1=DSConv5,1(a5,1);
a5,2=Relu(z5,1);
z5,2=DSConv5,2(a5,1);
p5,1=Pool(z5,2);
u=p5,1+z5,1;s;
模型子网络模块6(m6)的表达式为:
z6,1=Conv6,1(x);
a6,1=Relu(z6,1);
z6,2=Conv6,2(a6,1);
a6,2=Relu(z6,2);
u=a62;
模型整体表达式为:
u1=m1(x);
u2=m2(u1);
u3=m3(u2);
u4,1=m4,1(u3);
u4,2=m4,2(u4,1);
u4,3=m4,3(u4,2);
u4=m4,3(u4,3);
u5=m5(u4);
u6=m6(u5);
p=GPool(u6);
zw=Fc(p);
以上符号的含义为:
3.根据权利要求1所述的基于深度学习的神经干细胞分化方向预测方法,其特征在于,步骤S100中,神经干细胞分化培养的培养基配方和采集细胞图像的时间点如下:
4.根据权利要求3所述的基于深度学习的神经干细胞分化方向预测方法,其特征在于,步骤S100中,训练集中的分化为星形胶质方向、神经元细胞方向、少突胶质细胞方向和NT3处理组的细胞图像的比例为(1.9~2.1):(1.25~1.45):1:(1~1.1)。
5.根据权利要求1所述的基于深度学习的神经干细胞分化方向预测方法,其特征在于,所述神经干细胞分化方向预测模型包括图片预处理模块和神经网络模块;所述图片预处理模块用于接收全景流式细胞仪收集的神经干细胞分化培养的细胞图像,预处理得到标准化的图片数据;所述神经网络模块用于接收标准化的图片数据,得到最终的神经干细胞分化方向的预测结果。
6.根据权利要求5所述的基于深度学习的神经干细胞分化方向预测方法,其特征在于,所述图片预处理模块包括通道合并模块和图片标准化模块;所述通道合并模块用于输入具有相同的高度H和宽度W的单颜色通道细胞图像,将单通道图片沿通道合并为多通道“图片”表示,合并后的图片张量表示为[C,H,W],其中C表示输入的颜色通道数量;所述图片标准化模块用于承接通道合并模块,输入数据为合并后的多...
【专利技术属性】
技术研发人员:程黎明,朱融融,朱颜菁,
申请(专利权)人:上海市同济医院,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。