CN108140240B - 用于自动分析细胞的表型反应的系统和方法 - Google Patents

Abstract

公开了分析细胞对治疗的表型反应的系统和方法，其中模型开发模块接收多个参考细胞载体的图像和与所述多个参考细胞载体相关联的治疗信息，识别图像中的将已经施加了治疗的那些参考细胞载体和其他参考细胞载体区分开的细胞的参数，并且使用所识别的参数来训练模型。高内涵成像系统包括图像捕获装置，并且图像获取模块从图像捕获装置接收待评估的细胞载体的多个图像。模型应用模块将经训练的模型应用于待评估的细胞载体的多个图像，以预测施加至评估的每个细胞载体的治疗浓度。

Description

用于自动分析细胞的表型反应的系统和方法

相关申请

本申请要求于2015年8月12日提交的美国专利申请序列号62/204,225的权益，其内容通过引用整体并入本文。

技术领域

本主题涉及高内涵成像系统，并且更具体地，涉及自动分析细胞的表型反应的系统和方法。

背景技术

研究人员可使用高内涵成像系统(HCIS)来分析生物细胞对治疗(例如，暴露于特定物质和/或其他环境变化)的表型反应。这些反应可能在视觉上是不同的，并且可能在使用荧光标记和其他技术获取的图像中可观察到。

然而，这种反应可以根据反应中涉及的途径、细胞组织类型、细胞年龄、生长条件等而变化。可能的反应的多样性需要将细胞图像的分析限于特定类型的表型反应，例如蛋白质从细胞中的一个位置转移到另一个位置、特定分子的表达或存在、分子的积聚或聚集等。此外，可以分析的每种类型的表型反应可以与可以在这些细胞的图像中测量的多个可调参数相关联，并且这种反应的存在或不存在可以由这些测量参数的量值来指示。反应类型的数量和为了量化每种反应而必须调整的参数的数量可能对研究人员造成重大负担，因为研究人员必须识别所发生的反应的表型类型，然后操纵与这种类型相关联的各种参数来确定是否确实发生了这种反应。

此外，在一些情况下，将同质的靶细胞群体暴露于待测试的物质或环境条件可能是不实际或甚至不可能的。在这种情况下，将包含靶细胞的异质细胞群体暴露于所述物质或环境条件下，获取异质群体的图像，并且必须分析这些图像以确定异质群体中的特定靶细胞是否表现出特定的表型反应。

发明内容

根据一个方面，用于分析细胞对治疗的表型反应的系统包括高内涵成像系统、模型开发模块、图像获取模块和模型应用模块。模型开发模块接收多个参考细胞载体的图像和与多个参考细胞载体相关联的治疗信息，识别图像中的将已经施加了治疗的那些参考细胞载体与其他参考细胞载体区分开的细胞的参数，并且使用所识别的参数来训练模型。高内涵成像系统包括图像捕获装置，并且图像获取模块从图像捕获装置接收待评估的细胞载体的多个图像。模型应用模块将已训练的模型应用于待评估的细胞载体的多个图像，以预测施加至评估的每个细胞载体的治疗的浓度。

根据另一方面，用于分析细胞对治疗的表型反应的方法包括操作高内涵成像系统，其中高内涵成像系统包括图像捕获装置。该方法还包括接收多个参考细胞载体的图像和与多个参考细胞载体相关联的治疗信息，识别图像中的将已经施加了治疗的那些参考细胞载体与其他参考细胞载体区分开的细胞的参数，并且使用所识别的参数来训练模型。该方法进一步包括操作高内涵成像系统的图像获取模块以获得待评估的细胞载体的多个图像，并且将训练的模型应用于待评估的细胞载体的多个图像，以预测施加至每个细胞载体的治疗的浓度。

在考虑以下详细描述和附图后，其他方面和优点将变得显而易见，其中在整个说明书中相同的附图标记表示相似的结构。

附图说明

图1是高内涵成像系统的框图；

图2是可以与图1的高内涵成像系统一起使用的反应分析系统的框图；

图3和图4示出了可以与图2的反应分析系统一起使用的样品盘；

图5是图2的反应分析系统开发模型所采用的步骤的流程图；以及

图6是由图2的反应分析系统应用根据图5的流程图开发的模型所采用的步骤的流程图。

具体实施方式

如图1所示，对于本领域技术人员将显而易见的是，HCIS 100可以包括X-Y工作台102、一个或多个物镜104、一个或多个照明源106、一个或多个滤光器108、图像捕获装置110和控制器112。HCIS 100还可以包括一个或多个反射镜114，其将来自照明源106的光引导至可设置在X-Y工作台102上的样品盘116，并且从这种样品盘116引导至图像捕获装置110。典型地，样品盘116包括多个井格118，并且将由HCIS 100成像的样品(例如，生物细胞)可被设置在每个这样的井格118中。

尽管图1示出了来自照明源106的光从样品盘116反射到达图像捕获装置110，但显然可以使用额外的镜子(未示出)使得来自照明源106的光透射通过样品盘116并且指向图像捕获装置110。另外，应该显而易见的是，在一些情况下，可能不需要来自照明源106的照明来对样品盘116中的样品成像(例如，如果样品发光或者如果样品包括放射性组分)。在一些实施例中，来自照明源的光可以透射通过样品盘116中的样品，并且样品折射和/或吸收透射光以产生成像的照明。

在操作期间，可以手动地或自动地将样品盘116放置在X-Y工作台102上。另外，控制器112可以将HCIS 100配置成使用特定物镜104、由照明源106产生的照明和/或滤光器108的组合。例如，控制器112可以操作定位装置(未示出)以将选定的物镜104以及(可选地)将选定的滤光器108放置在样品盘116和图像捕获装置110之间。控制器112还可以引导照明源106以特定波长的光照射样品盘116。样品盘116中的样品可以包含发荧光的分子(天然存在的分子或由于治疗而在样品内产生或存在的分子)。照射样品的波长可以是与这种荧光分子相关联的激发波长，并且成像捕获装置将仅捕获这种荧光材料的发射光谱。一个或多个波长可以顺序或同时使用以照射相同的样品并产生图像。

另外，在一些实施例中，控制器112可以操作聚焦机构120，使得图像捕获装置110可以获得置于样品盘116中的样品的对焦图像。

此后，控制器112可以操作X-Y工作台102，使得井格118或其一部分位于图像捕获装置110的视野中，并且启动图像捕获装置110以捕获井格118或其部分的图像。控制器112可以以这种方式重复操作X-Y工作台102和图像捕获装置110，直到捕获到样品盘116的所有感兴趣的井格118的图像。此外，控制器112可以捕获同一个井格118或其部分的若干图像，其中每个这样的图像使用物镜104中的一个、滤光器108中的一个或多个以及由照明源106产生的照明的不同组合来捕获。

如图1-4所示，反应分析系统200可与HCIS 100一起使用以自动确定放置在样品盘116的井格118中的任何细胞是否对治疗做出了反应。制备参考样品盘116A，在其各个井格118A中的设置有相同种群的样品细胞。放置在每个井格118A中的种群可以是仅包含靶细胞的同质种群，或者是作为靶细胞和非靶细胞的组合的异质种群。之后，可以对参考样品盘116A的选定井格118A进行处理。

在一些实施方案中，可以对参考样品盘116A的选定井格118A施加预定剂量或浓度的治疗，并且可以不对其他井格118A施加治疗。如图3所示，列1-6中的井格118A可能已经经过治疗，如字符“+”所示，并且列7-12中的井格118A可能未经过治疗，如字符“-”所示。

在一些实施例中，可以对参考样品盘116A的选定井格118A施加不同剂量或浓度的治疗。图4所示，行A-C和列1-3中的井格118A没有被施加任何治疗，如“-”字符所示。行A-C和列4-6的井格118A具有第一浓度，例如，如字符“1”所示的施加至其上的一个单位治疗，行A-C和列7-9的井格118A具有第二浓度，例如，如“2”字符所示的施加至其上的二个单位的治疗。在图3和4所示的该示例中，参考样品盘116A的井格118A中显示的每一个独特字符与施加到这些井格的不同浓度的治疗相关联。

操作者使用用户计算机202向反应分析系统200指定治疗信息，并且这种治疗信息包括施加到参考样品盘116A的每一个井格118A的治疗浓度的指示。用户接口模块204接收这种参考样品盘信息并且将该信息存储在治疗信息数据库206中。在一些实施例中，用户接口模块204允许操作者上传为参考样品盘116A的每个井格118A指定施加到该井格118A的浓度或治疗量的文件(例如，文本文件、电子表格文件或其他文件)。在其他实施例中，用户接口模块204在用户计算机202上显示参考样品盘116A的井格118A的表示，并且允许操作者使用用户计算机202的输入装置(未示出)来选择每个井格的表示，并且指示施加到与该表示相关联的每个井格118A的治疗浓度。对于本领域技术人员显而易见的其他方式可以用于将参考样品盘的信息提供给反应分析系统200。

然后，图像获取模块208指示HCIS 100捕获每个井格118A的多个图像，其中每个图像由物镜104、由照明源106产生的照明和滤光器108的不同组合来捕获，如上所述。在一些实施例中，可以使用不同的模态来获取这样的多个图像，包括透射光、荧光、微分干涉对比、相位对比、明场成像等等。

在一些实施例中，图像获取模块208将每个特定组合发送到HCIS 100的控制器112，并且作为响应从图像捕获装置110接收捕获的图像。然后将所接收的图像存储在图像数据库210中。在其他实施例中，图像获取模块208可以与HCIS 100的控制器112集成在一起，并且针对每种组合自动配置HCIS 100，指导图像获取设备110捕获图像，并将图像存储在图像中数据库210。在一些实施例中，用于捕获图像的物镜、照明和滤光器的组合是预定义的。在其他实施例中，用户可以根据样品盘116A中样品的特性来选择这种组合。这种特性可以包括这种样品中的分子、样品中感兴趣的结构的大小等。

在所有图像已被捕获并存储在图像数据库210中之后，模型开发模块212分析参考样品盘116A的存储的图像以开发模型。此后，所开发的模型可用于自动分析其他样品盘116的图像，以确定这些盘中的细胞是否表现出对治疗的表型反应。

为了开发模型，模型开发模块212可以使用治疗信息并随机选择参考样品盘116A的井格118A的训练子集。训练子集可以包括一个或多个未施加治疗的井格118A以及用于施加至样品盘116A的每一个不同浓度的治疗的至少一个井格118A。例如，如果使用图4中的参考样品盘116A，训练子集可以包括至少一个未施加治疗的井格118A，以及与施加至参考样品盘116A的井格118A的不同浓度1-7的治疗中的每一个相关联的至少一个井格118A。

模型开发模块212可以将每个井格118A的一个或多个图像提供给参数计算模块214用于分析。参数计算模块214分析图像并计算这些图像的各种特征或参数的值。例如，可以分析图像以确定其平均像素强度值，这些图像的细胞核所在的像素坐标的值，表示图像中细胞的边缘处的像素强度变化的强度的值，表示边缘相对于图像中的细胞核的方向的值，表示在不同放大率处的纹理或像素强度的变化的度量的值等。此外，纹理的度量可包括计算像素强度的标准偏差、识别与图像的傅里叶变换的峰值相关联的频率、小波匹配以及高斯峰值分析的拉普拉斯算子。

在一些实施例中，参数计算模块214可以分割图像以识别这些图像中与每个细胞核关联的细胞结构。例如，可以使用以不同波长的光获取的一个或多个图像来识别与细胞核相关的细胞边界。可以计算由这些边界界定的每个细胞的面积。而且，模型开发模块212可以评估这些细胞的形状(例如，圆形、细长、多边形等)。此外，可以使用所识别的细胞的边界来遮蔽图像以隔离与细胞相关联的结构，并且还可以基于这种遮蔽的图像计算上述参数的值。

在在一些实施例中，参数计算模块214可以指示用户接口模块204在用户计算机202上显示图像或其一部分，并且从操作者获得与细胞和/或细胞核相关联的图像(或其部分)的像素的标识。这种操作者提供的信息可以用于自动识别与这种细胞核相关联的边界和/或识别另外的细胞核。显而易见的是，参数计算模块214可使用本领域技术人员已知的滤光、机器学习和图像分析技术来计算与参考样品盘116A的井格118A的图像相关的各种参数的值。

在一些实施例中，参数计算模块214可以计算在每个井格118A中或参考样品盘116A中的全部样品或细胞的参数的值。由于与样品数量相比井格118A的数量相对较低并且可测量的参数的数量相对较大，因此计算整个井格118A中的样品的参数可以有助于开发如何在针对井格118A计算的参数中体现对施加到井格118A的治疗的推断。

在一些实施例中，参数计算模块214计算表示在井格118A的图像中识别的各个细胞的度量的参数的值，例如，细胞边缘到细胞核的距离、细胞形状、细胞内的强度变化等。此外，参数计算模块214可以使用例如来自特定井格118A的样品区域的若干图像的信息，例如，使用不同的照度获取的图像的信息来辅助与井格118A的特定图像相关联的参数的值的计算。

可以用各种方式来识别图像内的细胞。在一个实施例中，参数计算模块214识别每个图像中的染色核。这种识别可以使用本领域普通技术人员已知的机器学习算法，例如由MiniMax使用的算法，或基于强度和尺寸的算法。MiniMax也可用于使用透射光来识别无标记细胞。为了确定与井格118A相关联的参数的特性，可能不需要精确识别这种井格中的每个细胞。然而，如果参数计算模块214识别各个细胞，则除了与井格118A相关联的特性参数之外，参数计算模块214可以能够开发与井格118A中的各个细胞相关联的参数的特性。

在一些实施例中，如上所述，可以将井格118A的图像的部分分成多个部分，并且可以通过诸如纹理的特征或通过机器学习算法来识别每个这样的部分中的“类细胞”区域，如上所述。

在模型开发模块212从选择的子集中的井格118A的图像开发参数的值之后，模型开发模块212在统计上将与每个井格118A相关的参数的值与实际施加于该井格118A的治疗浓度关联起来。如上所述，可以从治疗信息数据库206获得关于实际施加于井格118A的治疗浓度的信息。

例如，如果参考样品盘116A包括100个具有积极治疗的井格和100个具有消极治疗的井格，并且阳性治疗的井格中有80个与具有较高平均图像强度的图像相关联，并且消极治疗的井格中只有20个与具有较高强度的图像相关联，那么平均图像强度可以被认为是与治疗相关的参数，并且这类参数的高值可以被认为与积极治疗相关。

在一些实施例中，可以计算与井格118A和/或设置在井格118A中的细胞相关联的各个参数的值与施加于井格118A的治疗浓度之间的统计相关系数，例如Pearsons相关或Spearman相关。在其他实施例中，可以确定与每个参数相关联的治疗浓度的正确预测的数量。可以其他方法确定与井格118A相关的图像的参数与施加至井格118A的治疗的相关性，这对本领域普通技术人员而言是显而易见的。此外，可以为这种图像中识别出的一个或多个细胞开发这种相关性

在参数相关联之后，模型开发模块212选择那些与施加到井格118A的训练子集的治疗浓度具有最高相关性或最好地预测施加到井格118A的训练子集的治疗浓度的参数。

模型开发模块212可以使用所选参数的值和机器学习技术来训练可用于识别和/或量化生产样品盘116的井格118中的细胞对治疗的反应的模型。

在一个实施例中，模型开发模块212可训练人工神经网络，其中每个输入节点与所选参数中的一个相关联。在与各个参数关联的输入节点处提供根据训练子集的井格118A的图像计算出的各个参数的值。输入节点处的值通过人工神经网络传播以在人工神经网络的输出节点生成用于预测施加于该井格118A的治疗浓度的值。计算预测的治疗浓度与实际施加的治疗浓度之间的误差，并且根据这种误差例如使用误差的反向传播来调整神经网络的内部节点的权重，。可以使用从训练子集的附加井格118A的图像计算出的参数的输入节点上的值迭代人工神经网络，直到人工神经网络的权重收敛，并且训练子集的井格118A的预测治疗浓度和实际应用于这些井格118A的治疗浓度之间的误差被最小化。

在其他实施例中，可以开发多层神经网络并且可以使用深度学习方法来训练这种网络。例如，可以将与井格(或细胞)的图像的复杂参数组的值相关联的值提供给这种网络的输入节点，以改善网络的初始变量加权。在一些实施例中，可以使用森林树或随机树林技术，其中分析与各个井格118A或布置在井格118A中的细胞相关联的参数的值以确定参数组，所述参数组生成对训练子集的那些井格118A或者布置在这些井格118A中的细胞的治疗(其已经进行了治疗)的正面指示。

元启发式技术可以用于开发模型，其中例如，基因与参数相关联的遗传算法，并且这些参数的值以这种基因的链编码。这种基因链可用于预测施加到训练子集的井格118A和/或布置在这些井格118A中的细胞的治疗。将积极地治疗的井格118A和/或细胞与消极地治疗的井格118A和/或细胞最好地分开的部分链可以通过在这些链对之间交换基因而“配对”。在这种配对的多次迭代中，可以移除得分较低的链，以便只有最适合的链存活。经训练的模型可能包含一个这种存活的最适合(或得分最高)的链。

在其他实施例中，可以使用本领域技术人员显而易见的其他机器学习技术来实现模型，所述其他机器学习技术包括决策树、支持向量机、k-均值聚类、群集、蚁群优化和模拟退火。在一些实施例中，如本领域普通技术人员将显而易见的，可以使用梯度下降和类似技术来加速本文所述的机器学习技术的收敛。

包括由模型开发模块212开发的模型的输入的参数被存储在模型数据库216中。

此后，模型评估模块218从不在训练子集中的参考样品盘116A的那些井格118A中选择包含评估子集的井格118A。与训练子集一样，组成评估子集的井格118A具有与施加到参考样品盘116A的各个治疗浓度相关联的至少一个井格118A。对于评估子集中的每个井格118A，模型评估模块218将来自图像数据库210的图像提供给参数计算模块214。参数计算模块214分析这些图像以计算由模型开发模块212识别为与治疗浓度相关的参数的值。模型评估模块218然后使用所计算的值作为存储在模型数据库216中的模型的输入，并计算该模型的输出与施加到井格118A的实际治疗之间的误差。模型评估模块218针对包含评估子集的每个井格118A计算这种误差值。组合误差值以产生存储在模型数据库216中的模型的置信度得分。

在一个实施例中，可以对每个井格118A的误差值进行统计分析以对模型预测每个井格118A是否已经施加任何治疗或者对评估子集的每个井格118A施加治疗的量的效果进行评估。如果对评估子集的每个井格118A施加不同的治疗量，则评估模块218可以分析与实际施加的治疗量和由该模型预测的治疗量之间的关系相关的误差线(例如，曲线)。

在一些实施例中，评估模块218可将来自先前实验的细胞显示的反应量与由开发模型识别的对治疗的反应量进行比较。例如，假设治疗包括向井格118添加有毒物质，并且可以在井格118之间执行稀释系列。井格118中的所有暴露于高浓度有毒物质的细胞都可以被杀死，而井格118中暴露于低浓度有毒物质的细胞可能不显示任何可察觉的变化。实验数据包括暴露于不同浓度的有毒物质的细胞的图像，与每个图像相关联的有毒物质的浓度以及由该浓度杀死的细胞的百分比，所述实验数据可以被提供给评估模块218。评估模块218可以对模型的预测与这些实验数据进行比较以生成误差线或置信度得分，它们指示模型预测实际实验数据的效果。

继续上述示例，可以提供的实验数据还可以包括关于在暴露于特定浓度毒素的细胞的图像中有多少细胞实际上死亡、以及有多少细胞表现为死亡但是实际上存活(即假阳性)的信息。在一些实施例中，评估模块118可以使用这样的附加数据来生成置信度得分，其指示模型预测或考虑假阴性或假阳性的能力。在一些实例中，评估模块118可以考虑样品中的全部或大多数细胞产生连续范围的反应的情况。例如，如果已知药物导致细胞产生特定的蛋白质，并且在某剂量下可以产生最小量的蛋白质，并且随着剂量增加，产生的蛋白质的量也在增加。在这种情况下，模型开发模块212可以基于细胞表现出的反应量(即，产生的蛋白质的量)而不是基于表现出反应的细胞的数量来训练模型。在一些实施例中，细胞可以修改其DNA以将荧光标记(例如绿色荧光蛋白质)添加到细胞响应于药物而产生的蛋白质中。在这些情况下，蛋白质的表达可以在蛋白质移到细胞核外和/或与其他蛋白质组合或结合时测量。

一些实施例中，置信度得分的高值指示更好的模型性能，即模型的输出和施加于包含评估子集的井格118A的实际治疗之间的误差更小。在其他实施例中，低置信度得分可以与更好的模型性能相关联，其中置信度得分为0表示对评估子集的井格118A施加的治疗的完美预测。

一些实施例中，如果置信度得分的高值指示更好的模型性能并且置信度得分超过预定阈值，则该模型被认为是可以接受的，并且可被用于分析产品样品盘116。类似的，如果置信度得分的低值指示更好的性能并且置信度得分小于预定阈值，则该模型被认为是可以接受的。

在一些实施例中，模型评估模块218向用户接口模块204提供置信度得分以显示在用户计算机202上。在这样的实施例中，操作者可以指示与置信度得分相关联的模型是否是可以接受的。

如果模型是不可接受的，则模型开发模块212可以通过将用于开发模型的一个或多个参数替换为显示参数和训练子集的井格118A之间的高度相关性的其他参数来调整模型。如上所述的机器学习技术可以随后用于开发调整过的模型。调整过的模型可以被评估和/或进一步调整，直到开发出的模型在应用于井格118A的评估子集时产生可接受的置信度得分。

模型被开发之后，在需要分析产品样品盘116之前可以将模型存储在模型数据库216。该模型可以与具有井格118的产品样品盘一起使用，其中与那些被用于开发模型的细胞类似的细胞被放置于井格118中并被用与模型相关的治疗手段进行治疗。

在一些实施例中，当产品样品盘116放置在HCIS 100中时，用户接口模块204可以在用户计算机202上显示存储在模型数据库216中的模型列表。之后，用户接口模块204可从用户计算机202接收对存储在模型数据库216中的模型之一的选择。用户接口模块204将所选模型提供给模型应用模块220。模型应用模块220确定应用模型所需的参数，以及获取这些参数的值所需的图像捕获参数。模型应用模块220指示图像获取模块208来获取产品样品盘116的每个井格118的必要图像，并使用参数计算模块214来产生所需参数的值。然后可以将所产生的这些参数的值作为输入提供给所选择的模型，以确定放置在与这些参数相关联的井格118中的细胞是否对与模型相关联的治疗做出反应。

图5示出了可以由反应分析系统200执行以开发训练模型的处理的流程图300。在步骤302，用户接口模块204从用户计算机202接收参考盘信息并将这些信息存储在治疗信息数据库206中。在步骤304，图像获取模块208捕获参考盘116A的每个井格118A的图像，并将这些图像存储在图像数据库210中。

在图像被存储之后，在步骤306，模型开发模块212选择井格118A的训练子集。在步骤308，模型开发模块212选择训练子集的井格118A中没有被分析的一个井格，并且将图像数据库210中与该井格118A相关联的图像提供给参数计算模块214。在步骤310，参数计算模块214分析这些图像，并且开发这些图像和/或在这些图像中所识别出的细胞的各种参数的值。

在步骤312，模型开发模块212确定训练子集中是否存在尚未被参数计算模块214分析的任何井格118A。如果是，则处理进行到步骤308。

否则，在步骤314，模型开发模块212将提供给训练子集的每个井格118A的治疗浓度与从与该井格相关联的图像开发的参数值进行关联。在步骤316，模型开发模块212使用具有最高相关性的那些参数来训练模型。

在一个实施例中，相关性大于预定值的的所有参数被用于训练模型。如果使用的参数太多，则可能会发生过度拟合，其中参数通过偶然发生相关，并且在用于评估其他样品时可能不具有高预测值。增加用于开发参数的特性和施加到井格118A的治疗之间的相关性的样品的数量可以减少这种过拟合。

在步骤318，模型评估模块218选择参考样品盘116A的井格118A的子集作为评估子集。在步骤320，模型评估模块218确定需要每个图像的哪些参数来应用在步骤316开发的模型。在一个实施例中，可以评估每个参数以确定该参数本身(即，没有其他参数)与施加到参考样品盘116A的每个井格118A的治疗量相关的程度。在没有其他参数的情况下表现出高度相关的各个参数可用于训练模型。训练模型后，可以添加或修改附加参数以提高模型的准确性。在其他实施例中，可以初始地使用预定的参数组来训练模型，然后可以添加附加参数来调整模型。

在步骤322，模型评估模块218选择评估子集的井格118A中尚未被分析的一个井格，并且将来自图像数据库210的与选定井格相关联的图像以及在步骤320识别的参数提供给参数计算模块214。在步骤324，参数计算模块214分析这些图像并计算所识别的参数的值，并将计算出的值提供给模型评估模块218。

在步骤326，模型评估模块218使用从所选井格118A的图像计算出的参数的值作为模型的输入，以开发对评估子集的选定井格118A中的任何细胞是否具有对治疗的表型反应的预测，以及如果是，则开发对治疗的浓度的预测。之后，在步骤328，模型评估模块218将来自模型的预测反应与治疗信息数据库206中与被选择的井格118A相关联的治疗信息进行比较，并且产生选定的井格118A的有效性得分。可以类似上述开发置信度得分的方式来开发所选井格118A的有效性得分。

在步骤330，模型评估模块218确定评估子集中的任何井格118A是否仍有待分析，并且如果是，则前进至步骤322。否则，在步骤332，模型评估模块218累加评估子集的所有井格118的有效性得分，以得到该模型的有效性得分。

在步骤334，模型评估模块218例如通过将这样的得分与预定阈值相比较或询问操作者来确定模型的有效性得分是否足够。如果模型有效性得分足够，则，在步骤336，模型评估模块218将模型存储在模型数据库216中。当存储模型时，可以通过用户接口模块204向操作者询问以输入可以用于识别模型的信息。这种信息可以包括例如模型的名称、与模型相关的细胞类型和治疗类型、创建模型的操作者等。这种操作者提供的信息和自动生成的信息(例如模型创建时的日期以及运行模型所需的参数)与模型一起存储在模型数据库216中。

如果模型有效性得分不足够，那么在步骤337，模型开发模块212修改与模型的输入相关联的参数并且前进到步骤316以训练调整后的模型。在一些实施例中，在确定模型没有收敛之前，对于可以用于训练调整后的模型的训练迭代的次数可能存在限制。这种确定可以被呈现给用户，并且用户可以请求使用进一步的迭代或者该停止训练。

存储在模型数据库216中的模型可以随后被检索以自动处理产品样品盘116。

图6示出反应分析系统200进行的处理产品样品盘116的处理的流程图350。在步骤352，模型应用模块220与HCIS 100的控制器112通信以确认产品样品盘116被加载在X-Y工作台102上。

在步骤354，模型应用模块220检索存储在模型数据库216中的模型列表。将模型列表和与每个模型相关联的识别信息提供给用户接口模块204以显示在用户计算机202上。此后，操作者被要求选择模型。同样在步骤354，用户接口模块204接收这样的选择并将选择提供给模型应用模块220。

在步骤356，图像获取模块208指示HCIS 100捕获产品样品盘116的井格118的图像，并将这些图像存储在图像数据库210中。

在步骤358，模型应用模块220查询模型数据库216以识别运行模型所需的参数。在步骤360，模型应用模块220选择产品盘的井格118，并将所识别的参数和与该井格118相关联的图像提供给参数计算模块214。

在步骤362，参数计算模块214计算在步骤358识别的每个参数的值。在步骤364，模型评估模块218使用该计算值作为模型的输入，并确定输出，该输出指示放置在步骤360中选择的井格118中的细胞是否表现出对治疗的表型反应，并且如果是，则确定与这种反应相关的治疗浓度。

在步骤368，将这种输出添加到结果列表，其包括用于生产样品盘116的每个井格118的条目，并且每个条目包括将模型应用于与该井格118相关联的图像的输出。

在步骤370，模型应用模块220确定是否已经使用该模型对生产样品盘116的所有井格118进行处理。如果有任何井格118剩余，则模型应用模块220进行到步骤360。否则，在步骤372，模型应用模块220将结果提供给用户接口模块204以显示在用户计算机202上，将这些结果存储在可以由操作者访问的数据存储器(未示出)，和/或将这些结果发送到另一个系统(未示出)以供进一步分析。

反应分析系统200可用于确定细胞如何对不同剂量的治疗做出反应，用于评估药物产品对细胞的影响或可能受药物产品影响的细胞的类型。反应分析系统200可以帮助研究人员识别对治疗有反应的细胞的类型或者识别对特定治疗有反应的细胞中的共同性。另外，反应分析系统200可允许操作者识别哪种治疗或治疗的剂量对于杀死某些类型的细胞(例如癌细胞)而不是其他类型的细胞有效。此外，反应分析系统200可以用于识别可能适合克隆的特别健壮的细胞。反应分析系统200也可以评估图像中的细胞内的细胞器的表型反应。

如上所述，反应分析系统200可用于评估或识别放置于样品盘的井格118中的细胞的异源群体中特定类型的细胞的表型反应。例如，可以在包括神经元和胶质细胞的群体中评估对神经元的治疗的表型反应，或者甚至在包括活细胞和死亡细胞的群体中评估活细胞的表型反应。

如上所述开发的不同模型可以组合使用以识别对施加到样品盘116的井格118的治疗的不同表型反应。例如，与细胞治疗相关的第一模型可以应用于特定样品盘116的井格118的图像，以评估这些井格118中的细胞对治疗的表型反应。然后可以将与不同治疗相关联的第二模型应用于相同样品盘116的井格118的图像以评估井格118中的细胞对第二处理的表型反应。第一模型和第二模型可用于评估相同类型细胞或不同类型细胞的表型反应。在一些实施方式中，第一模型可以用于评估活细胞的表型反应，并且第二模型可以用于评估样品盘116的井格118中已死亡细胞的数量。

如上所述，开发的不同模型可以组合使用(即，复用)以识别单个细胞的多重反应或识别单个细胞的反应。在一些实施方案中，组合模型可用于识别对治疗有反应的健康细胞的百分比、正在进行产生某种蛋白质的细胞分裂的细胞的数量、吸收特定分子的感染细胞(例如，被细菌或病毒感染)的数量等。

在一些实施例中，反应分析系统200可用于开发模型，该模型利用经药物治疗的井格118的图像来训练，所述药物对细胞具有已知作用，但也具有作为药剂的不希望的特性。该模型可用于评估其他候选药物对细胞的影响。在另一个应用中，反应分析系统200可以用于确定细胞在通过治疗被修改后对已知药剂如何作出反应。

尽管上面的反应分析系统200是在识别图像中的细胞的上下文中描述的，但是显而易见的是，可以使用这样的系统来识别可以获取其图像的任何类型的对象的反应。

尽管以上已经结合放置在盘116的井格118中的细胞的样品描述了反应分析系统200，但显然反应分析系统200可以用于自动分析在其他类型载体中提供的细胞的表型反应。例如，代替其中对每个井格118施加了特定量的治疗的盘116的井格118，可以在载玻片组上提供细胞，其中特定量的治疗已经施加到每个载玻片。类似地，可以在流式细胞仪系统中的流体的离散样品中提供细胞，并且可以如在上面的描述中分析井格118那样分析每个这样的流体样品。

应该理解和认识到，结合图1-6描述的一个或多个模块、过程、子过程和处理步骤可以通过一个或多个电子或数字控制装置上的硬件、软件或者硬件和软件的组合来执行。软件可驻留在合适的电子处理元件或系统(例如，图1-6中示意性描绘的一个或多个功能系统、控制器、装置、组件、模块或子模块)中的软件存储器(未示出)中。软件存储器可以包括用于实现逻辑功能(即，可以以诸如数字电路或源代码的数字形式实现的“逻辑”，或者以诸如模拟源(例如，模拟电信号、模拟声音信号或模拟视频信号)的模拟形式实现的“逻辑”)的可执行指令的有序列表。指令可以在处理模块或控制器(例如，用户接口模块204、图像获取模块208、模型开发模块212、参数计算模块214、模型评估模块218和模型应用模块220)内执行，其包括例如一个或多个微处理器、通用处理器、处理器的组合、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或专用集成电路(ASIC)。此外，示意图描述了具有不受架构或功能的物理布局限制的物理(硬件和/或软件)实现的功能的逻辑划分。本申请中描述的示例系统可以以各种构造来实现并且作为单个硬件/软件单元中的硬件/软件组件或者单独的硬件/软件单元来操作。

可执行指令可以实现为具有其中存储有指令的计算机程序产品，所述指令在由电子系统的处理模块执行时指导电子系统执行指令。计算机程序产品可以选择性地体现在任何非暂时性计算机可读存储介质中，以供指令执行系统、装置或设备(例如基于电子计算机的系统，包含处理器的系统)或可以选择性地从指令执行系统、装置或设备获取指令并执行指令的其他系统使用或与其结合使用。在本文的上下文中，计算机可读存储介质是可存储供指令执行系统、装置或设备使用或与其结合使用的程序的任何非暂时性装置。非暂时性计算机可读存储介质可选择地例如是电子、磁性、光学、电磁、红外或半导体系统、装置或设备。非暂时性计算机可读介质的更具体的、示例性的非穷尽列表包括：具有一个或多个导线(电子)的电连接；便携式计算机磁盘(磁性)；随机存取存储器，即易失性存储器(电子)；只读存储器(电子)；可擦除可编程只读存储器，例如闪存(电子)等等；诸如CD-ROM、CD-R、CD-RW(光学)的光盘存储器；以及数字多功能盘存储器，即DVD(光学)。注意，非暂时性计算机可读存储介质甚至可以是纸张或其上打印有程序的另一种合适的介质，因为程序可以通过例如对纸或其他介质的光学扫描被电子捕获，然后被编译，解释或以其他方式在必要时以适当的方式处理，然后存储在计算机存储器或机器存储器中。

还将理解的是，如在本文中使用的数据的接收和发送意味着两个或更多个系统、装置、组件、模块或子模块能够经由在某种类型的信号路径上行进的信号彼此通信。信号可以是通信、电力、数据或能量信号，其可以沿着第一系统、装置、组件、模块或子模块和第二系统、装置、组件、模块或子模块之间的信号路径将来自第一系统、装置、组件、模块或子模块的信息、电力或能量传递给第二系统、装置、组件、模块或子模块。信号路径可以包括物理的、电的、磁的、电磁的、电化学的、光学的、有线的或无线的连接。信号路径还可以包括第一系统、装置、组件、模块或子模块和第二系统、装置、组件、模块或子模块之间的附加系统、装置、组件、模块或子模块。

工业适用性

在描述本发明的上下文(特别是在下面的权利要求书的上下文中)中使用的术语“一”、“一个”和“该”以及类似的引用应解释为涵盖单数和复数，除非另有说明或与上下文明显矛盾。在此描述的所有方法可以以任何合适的顺序执行，除非在此另有说明或者与上下文明显矛盾。除非另外声明，否则本文提供的任何和所有示例或示例性语言(例如，“诸如”)的使用仅旨在更好地说明本公开，并且不会限制本公开的范围。说明书中的任何语言都不应被解释为指示任何未要求保护的元素对于本公开的实践是必不可少的。

鉴于前面的描述，对于本领域技术人员而言，对本公开的许多修改将是显而易见的。应该理解的是，所说明的实施例仅是示例性的，并且不应被视为对本公开范围的限制。

Claims (24)

1.一种用于分析细胞对治疗的表型反应的系统，包括：

高内涵成像系统，其中所述高内涵成像系统包括图像捕获装置；

模型开发模块，其接收多个参考细胞载体的图像和与所述多个参考细胞载体相关联的治疗信息，识别所述图像中的将已经施加了第一治疗量的那些参考细胞载体和未施加治疗或已经施加了第二治疗量的其他参考细胞载体区分开的细胞的参数，并且使用所识别的参数来训练模型；

图像获取模块，其从所述图像捕获装置接收待评估的细胞载体的多个图像；和

模型应用模块，其将经训练的模型应用于所述待评估的细胞载体的多个图像，以预测施加至待评估的每个细胞载体的治疗量。

2.根据权利要求1所述的系统，其中，所述多个参考细胞载体的图像是参考盘的井格的图像、载玻片组的图像以及流式细胞仪流体样品的图像之一。

3.根据权利要求1所述的系统，还包括控制器，所述控制器自动操作所述高内涵成像系统以使用物镜、一个或多个滤光器和照明的多个组合来捕获待评估的每个细胞载体的图像。

4.根据权利要求1所述的系统，其中所述模型开发模块选择所述多个参考细胞载体的第一子集作为训练子集并选择所述多个参考细胞载体的第二子集作为评估子集，并且所述模型开发模块使用所述训练子集的图像来训练所述模型并使用所述评估子集的图像来评估所述模型的有效性，并且所述模型开发模块选择训练子集的图像的参数以用于训练所述模型。

5.根据权利要求4所述的系统，还包括参数计算模块，该参数计算模块评估与所述训练子集的多个图像中的每个图像相关联的参数的特性，并且所述参数计算模块分析所述训练子集的所述多个图像中的每个图像以识别每个这种图像中的细胞核的位置。

6.根据权利要求4所述的系统，其中所述模型是深度学习神经网络，在该深度学习神经网络中图像被提供给该深度学习神经网络的输入节点，并且通过训练所述深度学习神经网络来确定对训练所述模型重要的图像的参数。

7.根据权利要求4所述的系统，其中所述模型是人工神经网络，在该人工神经网络中每个输入节点与所选参数相关联。

8.根据权利要求5所述的系统，其中，所述模型是使用深度学习技术、随机森林技术、遗传算法技术、元启发式算法技术、k-均值聚类技术、和蚁群优化技术中的一种来训练的。

9.根据权利要求8所述的系统，其中，所述深度学习技术是模拟退火技术。

10.根据权利要求8所述的系统，其中，所述蚁群优化技术是蚂蚁集群技术。

11.根据权利要求1所述的系统，还包括模型评估模块，该模型评估模块计算由所述模型开发模块开发的模型的有效性。

12.根据权利要求1所述的系统，其中所述模型与附加模型组合使用以识别表现出多种类型反应的细胞。

13.一种用于分析细胞对治疗的表型反应的方法，包括：

操作高内涵成像系统，其中所述高内涵成像系统包括图像捕获装置；

接收多个参考细胞载体的图像和与所述多个参考细胞载体相关联的治疗信息；

识别所述图像中的将已经施加了第一治疗量的那些参考细胞载体和未施加治疗或已经施加了第二治疗量的其他参考细胞载体区分开的细胞的参数；

使用所识别的参数来训练模型；

操作高内涵成像系统的图像获取模块以获得待评估的细胞载体的多个图像；和

将经训练的模型应用于所述待评估的细胞载体的多个图像以预测施加至待评估的每个细胞载体的治疗量。

14.根据权利要求13所述的方法，其中所述多个参考细胞载体的图像是参考盘的井格的图像、载玻片组的图像和流式细胞仪流体样品的图像之一。

15.根据权利要求13所述的方法，还包括以下步骤：自动选择高内涵成像系统使用的物镜、一个或多个滤光器和照明，以捕获待评估的每个细胞载体的图像。

16.根据权利要求13所述的方法，还包括以下步骤：选择所述多个参考细胞载体的第一子集作为训练子集并选择所述多个参考细胞载体的第二子集作为评估子集，其中开发所述模型包括使用所述训练子集的图像来训练所述模型并使用所述评估子集的图像来评估所述模型的有效性。

17.根据权利要求16所述的方法，还包括选择训练子集的图像的参数以用于训练所述模型的步骤。

18.根据权利要求17所述的方法，还包括评估与所述训练子集的所述多个图像中的每个图像相关联的参数的特性的步骤。

19.根据权利要求18所述的方法，还包括分析所述训练子集的所述多个图像中的每个图像以识别在每个这种图像中的细胞核的位置的步骤。

20.根据权利要求17所述的方法，其中，所述模型是人工神经网络，在该人工神经网络中每个输入节点与所选参数相关联。

21.根据权利要求17所述的方法，还包括使用深度学习技术、随机森林技术、遗传算法技术、元启发式算法技术、k-均值聚类技术、和蚁群优化技术中的一种来训练所述模型的步骤。

22.根据权利要求21所述的方法，其中所述深度学习技术是模拟退火技术。

23.根据权利要求21所述的方法，其中所述蚁群优化技术是蚂蚁集群技术。

24.根据权利要求13所述的方法，还包括计算所述经训练的模型的有效性的步骤。

Images