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方案

本发明专利技术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。本发明专利技术结合流式细胞技术对于细胞的高通量处理能力，创造性地利用实验手段，收集全景流式细胞仪采集的神经干细胞分化培养的细胞图像，建立起神经干细胞三系分化的细胞训练数据集，再利用卷积神经网络进行模型训练优化，建立了一套精准高效、操作简易、省时低消耗的预测体系，能够克服现有实验室方法评判神经干细胞分化的各种技术的限制，方便快捷、高效精准的预测神经干细胞的分化方向。

【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小时，就能预测其分化方向，这种新型培养基是一种主要由聚二甲基硅氧烷弹性聚合物制成的硬度可调整的基质支架。干细胞在分化过程中的牵引力会发生改变，因此研究者认为，支架牵引力的变化能作为细胞分化的早期预测因素，可以根据底物的柔软度观察细胞分化，并使用荧光显微技术检测支架的弯曲度以确定牵引力的大小。此方法有效缩短了判断干细胞分化的时间，但受制于实验设备、人工操作，其精准性仍然具有很大的局限性，且荧光显微镜技术、染色技术，包括细胞基质的合成都存在着耗时耗费的缺陷。近年来，伴随着计算机技术的迅速发展，其在生物医学研究中也开始受到广泛关注。例如专利文献CN107577924A，公开日2018.01.12，公开了一种基于深度学习的lncRNA亚细胞位置预测算法，包括以下步骤：S1、组建lncRNA序列亚细胞位置预测训练基准数据集；S2、从lncRNA序列中提取原始的k-mer频率特征；S3、采用上采样算法对训练数据进行预处理；S4、采用三层堆叠的栈式自编码器对提取的频率信息进行特征提取，将得到的频率特征和利用模型抽取的特征分别接入随机森林分类器和支持向量机模型训练；S5、将四个分类器的输出概率经过基于神经网络的整合算法进行融合训练输出预测结果。又如专利文献CN110334565A，公开日2019.10.15，公开了一种显微镜病理照片的宫颈癌病变细胞分类系统，包括：检测网络模型和分类网络模型，所述检测网络模型利用不完全分类的细胞标注数据进行训练，训练完成后用于对显微镜照片中的细胞进行检测；所述分类网络模型根据不完全的细胞分类标注数据进行训练，训练完成后用于对检测到的细胞进行分类，并对细胞的具体类别进行预测。近年来已经有一些将机器学习应用于干细胞分化的研究，据NatureMethods杂志(doi:10.1038/nmeth.4182)报道分化会改变干细胞和祖细胞的分子特性，导致形状和运动特性的改变，由此利用光斑显微镜和细胞运动的图像块，建立了一个深层神经网络预测在分化主要造血祖细胞时的谱系选择。但此研究主要集中在造血干细胞的谱系选择，基于造血干细胞的变化图像进行预测，无法普遍性地应用到神经干细胞上，且此项研究基于显微成像技术，在数据量方面有一定的缺陷，无法达到高通量数据训练达到的更高精度和效率的判断体系。综合上述，现有的神经干细胞分化方向的判断和预测系统不能够满足日益增长的科研需求，因此，建立一种更加简便、高效、精准、低成本的高通量预测体系十分关键。
技术实现思路
本专利技术的目的是针对现有技术中的不足，提供一种基于深度学习的神经干细胞分化方向预测方法和系统。第一方面，本专利技术提供了一种基于深度学习的神经干细胞分化方向预测方法，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。作为一个优选例，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(本文档来自技高网...

【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