超高时空分辨率细胞牵引力定量方法、装置、设备及介质制造方法及图纸

本公开提供一种超高时空分辨率细胞牵引力定量方法、装置、设备及介质。该超高时空分辨率细胞牵引力定量方法包括：分别构建并训练第一神经网络、第二神经网络、第三神经网络和第四神经网络；待测细胞消化前后荧光标志物的荧光图像分别由训练好的第一神经网络、第二神经网络和第三神经网络预测各采样点位移，并进行整合；将整合后的位移场输入到第四神经网络中进行预测，得到待测细胞牵引力场的分布。本公开通过引入机器学习，有效提高了细胞牵引力定量的空间分辨率，获得更加精确的定量结果，降低了细胞牵引力定量的计算复杂度，显著提高了细胞牵引力定量的时间分辨率，可用于对细胞牵引力的实时定量测量。引力的实时定量测量。引力的实时定量测量。

【技术实现步骤摘要】
超高时空分辨率细胞牵引力定量方法、装置、设备及介质


[0001]本公开涉及细胞牵引力测量
，尤其涉及一种基于机器学习的超高时空分辨率细胞牵引力定量方法、装置、设备及介质。

技术介绍

[0002]细胞与胞外基质间的力学相互作用与细胞的一系列生理病理活动紧密相关，例如细胞的增殖、分化、粘附、迁移等等。对细胞牵引力进行高时
‑
空分辨率的定量在细胞筛选、定量药物剂量等应用中具有重要的意义。
[0003]截至目前，对细胞牵引力的相关研究在基础理论、实验现象和表征技术等方面均已取得了一系列的发展，所得到的具有代表性的牵引力定量方法主要可以总结为三种，即：微柱阵列方法、分子传感器方法和牵引力显微镜方法。其中，微柱阵列方法是将细胞培养在具有微柱阵列结构的基底表面，通过微柱的变形推测细胞牵引力的分布。这种方法计算简单，具有较高的测量效率，但是无法获得细胞牵引力的法向分量。分子传感器方法是通过荧光共振能量转移实现，其具有超高的分辨率，可以对活细胞内的单个整合素受力进行表征，但是无法获得力的方向信息。而牵引力显微镜方法是将细胞培养在含有荧光标志物的连续的水凝胶/橡胶基底表面，细胞的粘附不受到限制。基于荧光显微镜采集得到的细胞消化前后标志物的荧光图像，牵引力显微镜方法能够同时获得细胞牵引力的切向分量和法向分量，并且可以推广到三维情况。因此牵引力显微镜方法具有更为广阔的应用前景。
[0004]然而，当前的牵引力显微镜方法需要复杂的数学
‑
力学相关理论，对其进一步的推广应用带来了阻碍，也使得牵引力显微镜方法的时间
‑
空间分辨率难以进一步提高。

技术实现思路

[0005](一)要解决的技术问题
[0006]针对目前存在的技术问题，本公开提出一种基于机器学习的超高时空分辨率细胞牵引力定量方法、装置、设备及介质。
[0007](二)技术方案
[0008]为解决上述技术问题，本公开采用的技术方案如下：
[0009]本公开提供了一种超高时空分辨率细胞牵引力定量方法，包括：分别构建并训练第一神经网络N1、第二神经网络N2、第三神经网络N3和第四神经网络N4；待测细胞消化前荧光标志物的荧光图像和待测细胞消化后荧光标志物的荧光图像分别由训练好的第一神经网络N1、第二神经网络N2和第三神经网络N3预测各采样点位移，并对第一神经网络N1、第二神经网络N2和第三神经网络N3预测的位移结果进行整合；以及将整合后的位移场输入到第四神经网络N4中进行预测，得到待测细胞牵引力场的分布。
[0010]上述方案中，所述分别构建并训练第一神经网络N1、第二神经网络N2和第四神经网络N4的步骤中，所述分别构建并训练第一神经网络N1、第二神经网络N2、第三神经网络N3和第四神经网络N4的步骤中，所述第一神经网络N1是一个全卷积神经网络，其输入是待测
细胞消化前荧光标志物的荧光图像和待测细胞消化后荧光标志物的荧光图像，输出是所有采样点位移组成的相应的细胞引起的变形场(U1，V1)。
[0011]上述方案中，所述第一神经网络N1采用有监督学习的形式进行训练，为了获得充足的训练数据，第一神经网络N1的训练集通过数值模拟生成；
[0012]首先，采用高斯函数来近似荧光标志物成像时的荧光强度分布：
[0013]q(X，Y)＝exp[
‑
((X
‑
X0)2+(Y
‑
Y0)2)/c2]ꢀꢀꢀꢀꢀ
公式(1)
[0014]其中，(X0，Y0)是当前荧光标志物的中心点，c是反映荧光标志物荧光强度衰减程度的系数；
[0015]进而，待测细胞消化后荧光标志物的模拟荧光图像通过下式生成：
[0016][0017]其中，b0是图像的背景强度，N是荧光标志物的个数；
[0018]随后，指定训练集中的位移场均符合如下二次函数：
[0019][0020]其中，a
i
是随机指定的系数，i＝1，2，
…
，12；U和V分别是沿X方向和Y方向的位移分量，且满足U≤3像素，V≤3像素；
[0021]因此，待测细胞消化前荧光标志物的模拟荧光图像通过下式生成：
[0022][0023]其中，和是第n个荧光标志物中心点沿X方向和Y方向的位移，即
[0024]基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；
[0025]在训练第一神经网络N1的过程中，指定均方根误差作为网络训练的损失，并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。
[0026]上述方案中，所述分别构建并训练第一神经网络N1、第二神经网络N2、第三神经网络N3和第四神经网络N4的步骤中，所述第二神经网络N2是一个全卷积神经网络，其输入是待测细胞消化前后荧光标志物的荧光图像，输出是相应的细胞引起的变形场，并采用有监督学习的形式进行神经网络的训练。
[0027]上述方案中，所述第二神经网络N2的训练集通过数值模拟生成，并指定U≤1像素，V≤1像素；基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，用于第二神经网络N2的训练，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；在训练第二神经网络N2的过程中，指定均方根误差作为网络训练的损失，
并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。
[0028]上述方案中，所述分别构建并训练第一神经网络N1、第二神经网络N2、第三神经网络N3和第四神经网络N4的步骤中，所述第三神经网络N3是一个全卷积神经网络，其输入是待测细胞消化前后荧光标志物的荧光图像，输出是相应的细胞引起的变形场，并采用有监督学习的形式进行神经网络的训练。
[0029]上述方案中，所述第三神经网络N3的训练集通过数值模拟生成，并指定U≤0.5像素，V≤0.5像素；基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，用于第三神经网络N3的训练，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；在训练第三神经网络N3的过程中，指定均方根误差作为网络训练的损失，并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。
[0030]上述方案中，所述分别构建并训练第一神经网络N1、第二神经网络N2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超高时空分辨率细胞牵引力定量方法，其特征在于，包括：分别构建并训练第一神经网络(N1)、第二神经网络(N2)、第三神经网络(N3)和第四神经网络(N4)；待测细胞消化前荧光标志物的荧光图像和待测细胞消化后荧光标志物的荧光图像分别由训练好的第一神经网络(N1)、第二神经网络(N2)和第三神经网络(N3)预测各采样点位移，并对第一神经网络(N1)、第二神经网络(N2)和第三神经网络(N3)预测的位移结果进行整合；以及将整合后的位移场输入到第四神经网络(N4)中进行预测，得到待测细胞牵引力场的分布。2.根据权利要求1所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述分别构建并训练第一神经网络(N1)、第二神经网络(N2)、第三神经网络(N3)和第四神经网络(N4)的步骤中，所述第一神经网络(N1)是一个全卷积神经网络，其输入是待测细胞消化前荧光标志物的荧光图像和待测细胞消化后荧光标志物的荧光图像，输出是所有采样点位移组成的相应的细胞引起的变形场(U1，V1)。3.根据权利要求2所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述第一神经网络(N1)采用有监督学习的形式进行训练，为了获得充足的训练数据，第一神经网络(N1)的训练集通过数值模拟生成；首先，采用高斯函数来近似荧光标志物成像时的荧光强度分布：q(X，Y)＝exp[
‑
((X
‑
X0)2+(Y
‑
Y0)2)/c2]
ꢀꢀꢀꢀ
公式(1)其中，(X0，Y0)是当前荧光标志物的中心点，c是反映荧光标志物荧光强度衰减程度的系数；进而，待测细胞消化后荧光标志物的模拟荧光图像通过下式生成：其中，b0是图像的背景强度，N是荧光标志物的个数；随后，指定训练集中的位移场均符合如下二次函数：其中，a
i
是随机指定的系数，i＝1，2，...，12；U和V分别是沿X方向和Y方向的位移分量，且满足U≤3像素，V≤3像素；因此，待测细胞消化前荧光标志物的模拟荧光图像通过下式生成：其中，和是第n个荧光标志物中心点沿X方向和Y方向的位移，即基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；
在训练第一神经网络(N1)的过程中，指定均方根误差作为网络训练的损失，并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。4.根据权利要求3所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述分别构建并训练第一神经网络(N1)、第二神经网络(N2)、第三神经网络(N3)和第四神经网络(N4)的步骤中，所述第二神经网络(N2)是一个全卷积神经网络，其输入是待测细胞消化前后荧光标志物的荧光图像，输出是相应的细胞引起的变形场，并采用有监督学习的形式进行神经网络的训练。5.根据权利要求4所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述第二神经网络(N2)的训练集通过数值模拟生成，并指定U≤1像素，V≤1像素；基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，用于第二神经网络(N2)的训练，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；在训练第二神经网络(N2)的过程中，指定均方根误差作为网络训练的损失，并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。6.根据权利要求5所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述分别构建并训练第一神经网络(N1)、第二神经网络(N2)、第三神经网络(N3)和第四神经网络(N4)的步骤中，所述第三神经网络(N3)是一个全卷积神经网络，其输入是待测细胞消化前后荧光标志物的荧光图像，输出是相应的细胞引起的变形场，并采用有监督学习的形式进行神经网络的训练。7.根据权利要求6所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述第三神经网络(N3)的训练集通过数值模拟生成，并指定U≤0.5像素，V≤0.5像素；基于上述公式(1)
‑
(4)，一系列待测细胞消化前后荧光标志物的模拟荧光图像和相应的位移场被获得，用于第三神经网络(N3)的训练，其中待测细胞消化前荧光标志物的模拟荧光图像和待测细胞消化后荧光标志物的模拟荧光图像被作为训练数据，相应的位移场被作为训练标签；在训练第三神经网络(N3)的过程中，指定均方根误差作为网络训练的损失，并采用小批量随机梯度下降方法对网络参数进行优化；当网络的训练收敛时，网络参数的取值被记录以用于后续的计算。8.根据权利要求7所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述分别构建并训练第一神经网络(N1)、第二神经网络(N2)、第三神经网络(N3)和第四神经网络(N4)的步骤中，所述第四神经网络(N4)是一个全卷积神经网络，其输入是待测细胞引起的全场位移，输出是相应的细胞牵引力场。9.根据权利要求8所述的超高时空分辨率细胞牵引力定量方法，其特征在于，所述第四神经网络(N4)采用有监督学习的形式进行神经网络的训练，为了获得充足的训练数据，第四神经网络(N4)的训练集通过数值模拟生成；首先，待测细胞所粘附的弹性基底被离散为一系列均匀分布的节点，各节点沿X方向和
Y方向的间距分别为2h1和2h2；随后，以各节点为中心点，尺寸为2h1×
2h2的矩形栅格被指定作用有均匀分布力F，其方向和大小均取为随机值；此时相应的位移场由下式给出：U＝GF
ꢀꢀꢀꢀ
公式(5)其中U＝[U1，V1，U2...

【专利技术属性】
技术研发人员：黄建永，段晓岑，熊春阳，
申请(专利权)人：北京大学，
类型：发明
国别省市：