CN114417582A - 细胞株稳定性预测方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种细胞株稳定性预测方法、装置、计算机设备和存储介质。所述方法包括：获取待预测细胞株的观测图像；将所述观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。采用本申请的预测方法确定细胞株稳定值或根据稳定值确定而来的稳定性类别预测结果时，无需人工进行多代培养以及大量蛋白量测量实验，依靠稳定性预测模型就可以实现对细胞株稳定性的预测，大大提高了细胞株稳定性预测效率。

Description

细胞株稳定性预测方法、装置、计算机设备和存储介质

技术领域

本申请涉及生物技术领域，特别是涉及一种细胞株稳定性预测方法、装置、计算机设备和存储介质。

背景技术

目前，在生物技术领域，细胞株是用单细胞分离培养或通过筛选的方法，由单细胞增殖形成的细胞群。由细胞株表达产生的蛋白可以用于药物生产。

传统技术中，可以对细胞株稳定性进行测定。例如，对细胞株进行多代培养(通常可以将细胞株传代培养20代以上)，再由人工对细胞株各代进行蛋白表达量产量测量实验，以获取细胞株的蛋白产量，基于细胞株各代的蛋白产量变化评估细胞株的稳定性。

然而，在使用上述方法进行细胞株稳定性判断时，实验量巨大且耗时长。因此，当前的稳定性预测方法仍然存在效率较低的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高细胞株稳定性预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

第一方面，本申请提供了一种细胞株稳定性预测方法，该方法包括：

获取待预测细胞株的观测图像；

将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

在其中一个实施例中，稳定性预测模型的训练过程包括：

以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在其中一个实施例中，以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型，包括：

对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；

对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；

根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在其中一个实施例中，对历史细胞株进行处理，还包括：

获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；

根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在其中一个实施例中，根据培养初期蛋白表达量与培养后期蛋白量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别，包括：

确定前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值,根据前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在其中一个实施例中，稳定性预测模型对观测图像的处理，包括：

对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；

对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；

对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

第二方面，本申请还提供了一种细胞株稳定性预测装置，该装置包括：

获取模块，用于获取待测细胞株的观测图像；

处理模块，用于将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取待预测细胞株的观测图像；

将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待预测细胞株的观测图像；

将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取待预测细胞株的观测图像；

将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

上述细胞株稳定性预测方法、装置、计算机设备、存储介质和计算机程序产品，获取待预测细胞株的观测图像；将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。可见，采用本申请的细胞株稳定性预测方法，通过获取历史多代培养得到的细胞株图像和细胞株稳定值或根据稳定值确定而来的稳定性类别，将上述图像和稳定值或根据稳定值确定而来的稳定性类别作为模型的训练样本进行模型训练，可以得到训练好的稳定性预测模型。进而可以将细胞株图像输入模型进行预测，可以得到细胞株的稳定值或根据稳定值确定而来的稳定性类别预测结果。替代了传统技术中，不仅需要对细胞株培养至20代以上，而且需要人工对细胞株蛋白产量进行大量实验测量，最终得到细胞株稳定值或根据稳定值确定而来的稳定性类别的方案。因此，采用本申请的预测方法确定细胞株稳定值或根据稳定值确定而来的稳定性类别预测结果时，无需人工进行多代培养以及大量蛋白量测量实验，依靠稳定性预测模型就可以实现对细胞株稳定性的预测，大大提高了细胞株稳定性预测效率。

附图说明

图1为本申请实施例提供的细胞株稳定性预测方法的应用环境图；

图2为本申请实施例提供的细胞株稳定性预测方法的流程示意图；

图3为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图；

图4为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图；

图5为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图；

图6为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图；

图7为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图；

图8为本申请实施例提供的细胞株稳定性预测装置的结构框图；

图9为本申请实施例提供的计算机设备内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的细胞株稳定性预测方法，可以应用于如图1所示的应用环境中。图1为本申请实施例提供的细胞株稳定性预测方法的应用环境图，该应用环境包括显微镜10以及服务器20。显微镜10可以与服务器20进行通信。具体地，可以通过有线或者无限方式进行通信。其中，显微镜10可以获取未知稳定性的细胞株图像，并将细胞株图像传输至服务器20。服务器20，可以对细胞株图像进行处理，获得细胞株稳定值或根据稳定值确定而来的稳定性类别预测结果。示例性的，显微镜10可以为电子显微镜，也可以为光学显微镜。服务器20可以是独立的服务器或者是多个服务器组成的服务器集群。

图2为本申请实施例提供的细胞株稳定性预测方法的流程示意图，其执行主体可以是如图1所示的服务器20。如图2所示，该方法包括以下步骤：

步骤201、获取待预测细胞株的观测图像；

本申请实施例提供了一种细胞株稳定性预测方法，可以基于细胞株的图像对细胞株的稳定性进行预测。例如，将细胞株的图像输入模型预测细胞株的稳定性。因此，在本申请实施例中可以首先获取待预测细胞株的图像。

一种可能的实现方式中，待预测细胞株的图像可以是待预测细胞株的观测图像。

具体地，待预测细胞株的观测图像可以是利用光学观测仪器对细胞株进行观测时，光学观测仪器采集到的细胞株的图像。示例性的，上述待预测细胞株的观测图像可以是在细胞株培养周期中的任意期间对细胞株进行图像采集所获得的图像，例如，采集培养周期中的任意一代细胞株的图像，获得上述待预测细胞株的图像。

示例性的，光学观测仪器为图1所示应用环境中的显微镜10，显微镜10可以采集到待预测细胞株的观测图像，服务器20可以从显微镜10获取该观测图像。

步骤202、将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

具体地，历史细胞株可以是以往培养的细胞株，历史细胞株图像可以是在历史细胞株的培养过程中对历史细胞株进行图像采集获得的图像。例如，可以对历史细胞株进行多代培养，上述历史细胞株的图像可以是细胞株的培养周期中的任意一代细胞株的图像。

细胞株蛋白表达量的稳定性用于表征培养周期中的后代细胞株蛋白表达量与前代细胞株蛋白表达量的差异，可以是后代细胞株蛋白表达量与前代细胞株蛋白表达量的比值。

示例性的，培养周期包括X代，其中，细胞株的稳定值或根据稳定值确定而来的稳定性类别是根据X代中前R代蛋白表达量的累积量A1，与X代中后S代蛋白表达量的累积量A2之间的差异来衡量的，例如，稳定值或根据稳定值确定而来的稳定性类别可以是由A2与A1的比值来确定的，70％以下为不稳定，70％及以上为稳定。

需要说明的是，在采集历史细胞株的图像时，可以根据参考上述说明确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别(以下简称真实稳定值或根据稳定值确定而来的稳定性类别)。进一步，可以根据历史细胞株的图像以及其对应的稳定值或根据稳定值确定而来的稳定性类别构建一组训练样本，基于此，随着历史细胞株数量的增多，可以获得多组训练样本。对训练样本进行训练，可以获得稳定性预测模型。

一种可能的实现方式，可以将上述多代细胞株图像和图像对应的真实稳定值或根据稳定值确定而来的稳定性类别作为模型的训练样本，对模型进行训练，直至对于某一细胞株图像，模型训练得到的预测稳定值或根据稳定值确定而来的稳定性类别与真实稳定值或根据稳定值确定而来的稳定性类别比值无限趋近，此时完成对模型的训练，得到稳定性预测模型。

一种可能的实现方式，可以将显微镜10采集到的待预测细胞株图像输入稳定性预测模型，基于稳定性预测模型学习到的细胞株图像特征，得到待预测细胞株图像的预测稳定值或根据稳定值确定而来的稳定性类别。

需要说明的是，待预测细胞株图像的预测稳定值用于表征回归，即确定具体的稳定性数值，根据稳定值确定而来的稳定性类别用于表征分类，即确定待预测细胞株属于稳定值的哪个区间。

上述获取待预测细胞株的观测图像；将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。可见，采用本申请的细胞株稳定性预测方法，通过获取历史多代培养得到的细胞株图像和对应的细胞株真实稳定值或根据稳定值确定而来的稳定性类别，将上述图像和稳定值或根据稳定值确定而来的稳定性类别作为模型的训练样本，对模型进行训练后，可以得到训练好的稳定性预测模型。进而可以将待预测细胞株图像输入模型稳定性进行预测，可以得到细胞株的预测稳定值或根据稳定值确定而来的稳定性类别。替代了传统技术中，不仅需要对细胞株培养至20代以上，而且需要人工对细胞株蛋白产量进行大量实验测量，最终得到细胞株稳定值或根据稳定值确定而来的稳定性类别的方案。因此，采用本申请的预测方法确定细胞株预测稳定值或根据稳定值确定而来的稳定性类别时，无需人工进行多代培养以及大量蛋白量测量实验，依靠稳定性预测模型就可以实现对细胞株稳定性的预测，大大提高了细胞株稳定性预测效率。

前文所述的实施例中，介绍了可以根据待观测细胞株的观测图像和稳定性预测模型确定待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别的技术方案。在本申请的另一实施例中，可以根据历史细胞株的图像和稳定值或根据稳定值确定而来的稳定性类别获得稳定性预测模型。例如前文步骤202涉及的稳定性预测模型的训练过程包括：

以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

具体地，训练目标用于表征在模型训练过程中，模型的输入是历史细胞株图像和对应的真实稳定值或根据稳定值确定而来的稳定性类别，模型可以自动学习历史细胞株图像的特征，得出细细胞株预测稳定值或根据稳定值确定而来的稳定性类别，预测稳定值或根据稳定值确定而来的稳定性类别与真实稳定值或根据稳定值确定而来的稳定性类别之间存在一定的差异，对预测稳定值或根据稳定值确定而来的稳定性类别与真实稳定值或根据稳定值确定而来的稳定性类别进行比较，根据比较的结果对模型参数进行更新，直至预测稳定值或根据稳定值确定而来的稳定性类别与真实稳定值或根据稳定值确定而来的稳定性类别无限趋近或相等。

示例性的，历史细胞株的图像可以是经过至少20代培养的细胞株细胞形态图像。

一种可能的实现方式，可以将多个经过至少20代培养的历史细胞株图像，和图像对应的真实稳定值或根据稳定值确定而来的稳定性类别输入初始模型，将模型输出的预测稳定值或根据稳定值确定而来的稳定性类别与图像对应的真实稳定值或根据稳定值确定而来的稳定性类别进行比较，根据比较获得的结果对模型参数进行更新，直至预测稳定值或根据稳定值确定而来的稳定性类别无限趋近或者等于真实稳定值或根据稳定值确定而来的稳定性类别，获得稳定性预测模型。

前文所述的实施例中，介绍了可以根据历史细胞株的图像和稳定值或根据稳定值确定而来的稳定性类别获得稳定性预测模型的技术方案。在本申请的另一实施例中，可以根据历史细胞株的单细胞图像确定稳定性预测模型。示例性的，前文步骤涉及的“以多个历史细胞株的图像为模型输入，以模型输出的与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型”的具体实现包括图3的步骤：

步骤301、对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；

具体地，细胞分割处理用于将多细胞分割为单细胞。示例性，一张细胞株图像中包含多个细胞，对多个细胞进行分割，得到对应的单细胞图像。

一种可能的实现方式，可以将历史细胞株图像分割为单细胞图像，得到历史细胞株对应的多个单细胞图像。

步骤302、对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；

具体地，特征提取用于表征从历史细胞株图像中提取特征信息的过程，。特征集合是由提取出的特性信息构成的集合。

一种可能的实现方式，可以从历史细胞株的单细胞图像中提取特征信息，特征信息包含了历史细胞株图像的特性信息。

步骤303、根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

具体地，初始模型用于表征未经训练的模型。历史细胞株的稳定值或根据稳定值确定而来的稳定性类别用于表征历史细胞株蛋白产量的稳定程度。稳定性预测模型用于表征将历史细胞株图像和对应的稳定值或根据稳定值确定而来的稳定性类别输入初始模型进行训练，初始模型可以学习到细胞株图像的特征信息，将模型输出的细胞株稳定性预测结果与对应的细胞株真实的稳定值或根据稳定值确定而来的稳定性类别进行比较，根据比较获得的结果对模型参数进行更新，直至预测结果无限趋近或者等于真实稳定值或根据稳定值确定而来的稳定性类别，获得稳定性预测模型。

一种可能的实现方式，可以对经过细胞分割处理后的单细胞图像进行特征信息提取，将模型输出的细胞株稳定性预测结果与对应的细胞株真实的稳定值或根据稳定值确定而来的稳定性类别进行比较，根据比较的结果对模型参数进行更新，直至预测结果无限趋近或者等于真实稳定值或根据稳定值确定而来的稳定性类别，获得稳定性预测模型。

前文所述的实施例中，介绍了可以根据历史细胞株的单细胞图像确定稳定性预测模型的技术方案。在本申请的另一实施例中，可以根据历史细胞株的培养初期蛋白表达量和培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。例如前文步骤涉及的“历史细胞株的稳定值或根据稳定值确定而来的稳定性类别”的具体实现包括图4的步骤：

步骤401、获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；

具体地，培养初期蛋白表达量用于表征每个历史细胞株在培养周期前期的蛋白表达量。培养后期蛋白表达量用于表征每个历史细胞株在培养周期后期的蛋白表达量。

示例性的，培养周期可以为至少20代。

一种可能的实现方式，可以获取每个历史细胞株在20代培养周期的前期的蛋白表达量和培养周期后期的蛋白表达量。

步骤402、根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

具体地，历史细胞株的稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白量产量的稳定程度。

一种可能的实现方式，可以根据获取历史细胞株在20代培养周期的前期的蛋白表达量，以及后期的蛋白表达量确定历史细胞株蛋白产量的稳定程度。

前文所述的实施例中，介绍了可以根据历史细胞株的培养初期蛋白表达量和培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别的技术方案。在本申请的另一实施例中，可以根据历史细胞株在培养前期的前N代和培养后期的后M代的蛋白表达量确定细胞株稳定值或根据稳定值确定而来的稳定性类别。例如，前文步骤402涉及的根据初期蛋白表达量和培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别包括：

确定前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值,根据前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

具体地，前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值用于表征历史细胞株在培养初期蛋白表达量。示例性的，培养周期可以为20代，培养初期可以是前3代，前3代的蛋白表达量的均值可以是各个细胞株前3代蛋白表达量的均值。后M代的蛋白表达量的均值用于表征历史细胞株在培养后期蛋白表达量。示例性的，培养周期可以为20代，培养后期可以是后3代，后3代的蛋白表达量的均值可以是各个细胞株后3代蛋白表达量的均值。比值用于表征历史细胞株的稳定性程度，再根据比值确定稳定值或根据稳定值确定而来的稳定性类别。

一种可能的实现方式，培养周期为20代，可以获取前3代的蛋白表达量的均值，以及后3代的蛋白表达量的均值，将上述前3代蛋白表达量均值与后3代蛋白表达量均值的比值确定为历史细胞株的稳定性程度，再根据比值确定稳定值或根据稳定值确定而来的稳定性类别。

前文所述实施例中，介绍了可以根据历史细胞株在培养前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别的技术方案。在本申请的另一实施例中，可以根据观测图像和稳定性预测模型确定待观测细胞株的稳定值或根据稳定值确定而来的稳定性类别。例如，前文步骤涉及的“稳定性预测模型对观测图像的处理”的具体实现包括图5的步骤：

步骤501、对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；

具体地，观测图像可以是显微镜10采集到的待预测细胞株的图像。示例性的，上述待预测细胞株的观测图像可以是细胞株培养周期中的任意一代。

一种可能的实现方式，可以获取显微镜10采集的待预测细胞株的观测图像，并对上述图像进行细胞分割处理，可以得到细胞株图像对应的多个单细胞图像。

步骤502、对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；

具体地，采样处理用于从多个单细胞图像中抽取一定数量的单细胞图像。参考单细胞图像组合用于表征将上述一定数量的单细胞图像作为稳定性预测模型的输入。

一种可能的实现方式，可以从多个单细胞图像中抽取一定数量的单细胞图像，将上述一定数量的单细胞图像作为稳定性预测模型的输入。

步骤503、对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

具体地，特征提取用于从待预测细胞株的单细胞图像中提取特征信息。

一种可能的实现方式，可以从待预测细胞株的单细胞图像中提取特征信息，特征信息中包含了单细胞图像的特征集合。

前文所述的实施例中，介绍了可以根据观测图像和稳定性预测模型确定待观测细胞株图像的预测稳定值或根据稳定值确定而来的稳定性类别的技术方案。因此，采用本申请的细胞株稳定性预测方法，无需人工进行多代培养以及大量蛋白量测试实验，依靠稳定性预测模型就可以实现对细胞株稳定性的预测，大大提高了细胞株稳定性预测效率。

图6为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图，可以对二分类、多分类或回归训练模型(即前文实施例所述的初始模型)进行训练，该方法的具体实现包括以下步骤：

步骤T1、开始。

步骤T2、积累大量细胞株前三代显微镜图像(即前文实施例所述的历史细胞株的图像)和每代的上清液蛋白表达量(即前文所述实施例的历史细胞株蛋白表达量)。之后执行步骤T3。

步骤T3、用后期蛋白表达量(即前文实施例所述的培养后期蛋白表达量)占前期蛋白表达量(即前文实施例所述的培养前期蛋白表达量)的比例作为该细胞株的稳定值，再由稳定值确定稳定值或根据稳定值确定而来的稳定性类别(即前文实施例所述的历史细胞株的稳定值或根据稳定值确定而来的稳定性类别)，将稳定值在70％以上的标定为稳定株，70％以下的标定为不稳定株。之后执行步骤T4。

步骤T4、细胞切割(即前文实施例所述的细胞分割处理)。之后执行步骤T5。

步骤T5、群体表征。

需要说明的是，群体表征可以将细胞株每一代的单个细胞图片堆叠生成多通道图，来代表各自的群体输入。有利于简化初始模型输入，使得减小初始模型的处理负荷。

步骤T6、数据增强(即前文实施例所述的采样和组合处理)。

需要说明的是，数据增强可以将细胞株每一代图像切割而来的多个单细胞图像进行多次抽取组合，生成多个样本，可以保证训练样本的随机性，使得训练结果更加准确。示例性的，若细胞株每一代图像经过细胞切割后得到20000张单细胞图像，首先，服务器20可以从上述单细胞图像中随机抽取3000张，有放回地抽取100次，将3000张图像组合成一个样本，由此得到最终的100个样本，将每个样本的3000张图像打乱顺序重组，生成新的样本，由此得到最终的1000个样本。步骤T7、生成3D数据集。

需要说明的是，细胞株由步骤T2得到的前三代图像经过步骤T6的处理得到相应的三组1000个样本，从三组1000个样本分别抽取一个样本，拿到三个样本，将他们组合成新样本，这样有放回地抽取组合1000次，生成1000个新样本中的每个样本按顺序一一打包，生成1000包，每包含3组图像，将上述三个1000组图像的组分别打乱重排10次，再重复上述打包过程，最终得到该细胞株1000个新样本，作为模型的输入。之后执行步骤T8。

步骤T8、二分类、多分类或回归训练模型(即前文实施例所述的初始模型)。

需要说明的是，二分类、多分类或回归模型可以根据细胞株图像和对应的稳定性，完成模型的训练。

步骤T9、结束。

需要说明的是，前三代显微镜图像用于表征经过预处理(即前文实施例所述的细胞切割与数据增强)的细胞群体，将上述细胞群体作为模型训练的样本。

图7为本申请实施例提供的细胞株稳定性预测方法的另一流程示意图，图7中将以细胞株前三代显微镜图像(即前文实施例所述的待预测细胞株的观测图像)为例进行稳定性预测，但本申请实施例并不对细胞株观测图像的具体代数进行限定。

图7可以根据二分类、多分类或回归模型(即前文实施例所述的稳定性预测模型)，对待预测细胞株的观测图像进行稳定性预测，该方法的具体实现包括以下步骤：

步骤P1、开始。

步骤P2、获取未知稳定性的细胞株前三代的显微镜图像(即前文实施例所述的观测图像)。之后执行步骤P3。

步骤P3、细胞切割(即前文实施例所述的细胞分割处理)。之后执行步骤P5。

步骤P4、群体表征。

需要说明的是，群体表征可以将细胞株每一代的单个细胞图片堆叠生成多通道图，来代表各自的群体输入。有利于简化二分类、多分类或回归模型(即前文实施例所述的初始模型)输入，使得减小二分类、多分类或回归模型的处理负荷。

步骤P5、数据增强(即前文实施例所述的采样和组合处理)。

需要说明的是，数据增强可以将细胞株每一代图像切割而来的多个单细胞图像进行多次抽取组合，生成多个样本，可以保证训练样本的随机性，使得训练结果更加准确。示例性的，若细胞株每一代图像经过细胞切割后得到20000张单细胞图像，首先，服务器20可以从上述单细胞图像中随机抽取3000张，有放回地抽取100次，将3000张图像组合成一个样本，由此得到最终的100个样本，将每个样本的3000张图像打乱顺序重组，生成新的样本，由此得到最终的1000个样本。步骤P6、生成3D数据集。

需要说明的是，细胞株由步骤T2得到的前三代图像经过步骤T6的处理得到相应的三组1000个样本，从三组1000个样本分别抽取一个样本，拿到三个样本，将他们组合成新样本，这样有放回地抽取组合1000次，生成1000个新样本中的每个样本按顺序一一打包，生成1000包，每包含3组图像，将上述三个1000组图像的组分别打乱重排10次，再重复上述打包过程，最终得到该细胞株1000个新样本，作为模型的输入。之后执行步骤P7。

步骤P7、二分类或多分类预测模型(即前文实施例所述的稳定性预测模型)。

需要说明的是，二分类、多分类或回归模型可以根据细胞株图像完成细胞株稳定性的预测。

步骤P8、输出细胞株稳定性预测结果(即前文实施例所述的待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别)。

步骤P9、结束。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述细胞株稳定性预测方法的装置，图8为本申请实施例提供的细胞株稳定性预测装置的结构框图，该装置包括：

获取模块801、用于获取待测细胞株的观测图像；

处理模块802、用于将观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

在一个实施例中，处理模块802，用于以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，用于对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，用于获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，用于确定前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值，根据前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，处理模块802，用于对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

上述细胞株稳定性预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，图9为本申请实施例提供的计算机设备内部结构图。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种细胞株稳定性预测方法。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待预测细胞株的观测图像；将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；

对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

确定前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值，根据前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取待预测细胞株的观测图像；

将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值，根据前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取待预测细胞株的观测图像；

将待观测图像输入稳定性预测模型进行处理，获得待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；稳定性预测模型是根据多个历史细胞株的图像以及每一历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：以多个历史细胞株的图像为模型输入，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对历史细胞株的图像进行细胞分割处理，获得历史细胞株图像对应的多个单细胞图像；对历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得历史细胞株图像的特征集合；根据特征集合确定初始模型，以模型输出与历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得稳定性预测模型。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取历史细胞株的培养初期蛋白表达量与历史细胞株的培养后期蛋白表达量；

根据初期蛋白表达量与培养后期蛋白表达量确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

确定前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值，根据前期第N代的蛋白表达量或第N代前后几代的蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后几代的蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对观测图像进行细胞分割处理，获得观测图像对应的多个单细胞图像；对多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；对参考单细胞图像组合进行特征提取，基于特征提取的结果确定观测图像的稳定值或根据稳定值确定而来的稳定性类别。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种细胞株稳定性预测方法，其特征在于，所述方法包括：

获取待预测细胞株的观测图像；

将所述观测图像输入稳定性预测模型进行处理，获得所述待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；所述稳定性预测模型是根据多个历史细胞株的图像以及每一所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；所述稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

2.根据权利要求1所述的方法，其特征在于，所述稳定性预测模型的训练过程包括：

以所述多个历史细胞株的图像为模型输入，以模型输出与所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对初始模型进行训练，获得所述稳定性预测模型。

3.根据权利要求2所述的方法，其特征在于，所述以所述多个历史细胞株的图像为模型输入，以模型输出与所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对所述初始模型进行训练，获得所述稳定性预测模型，包括：

对所述历史细胞株的图像进行细胞分割处理，获得所述历史细胞株图像对应的多个单细胞图像；

对所述历史细胞株图像对应的多个单细胞图像整体进行特征提取，获得所述历史细胞株图像的特征集合；

根据所述特征集合确定模型输出，以所述模型输出与所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别相同为训练目标，对所述初始模型进行训练，获得所述稳定性预测模型。

4.根据权利要求2所述的方法，其特征在于，所述方法还包括：

获取所述历史细胞株的培养初期蛋白表达量以及所述历史细胞株的培养后期蛋白表达量；

根据所述培养初期蛋白表达量与所述培养后期蛋白表达量确定所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

5.根据权利要求4所述的方法，其特征在于，所述培养初期蛋白表达量包括所述历史细胞株在培养周期的前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值，所述培养后期蛋白表达量包括所述历史细胞株在所述培养周期的后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值；

所述根据所述培养初期蛋白表达量与所述培养后期蛋白表达量确定所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别，包括：

确定所述前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值，以及后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值，根据前期第N代的蛋白表达量或第N代前后某几代蛋白表达量的均值与后期第M代的蛋白表达量或第M代前后某几代蛋白表达量的均值的比值确定历史细胞株的稳定值或根据稳定值确定而来的稳定性类别。

6.根据权利要求1所述的方法，其特征在于，所述稳定性预测模型对所述观测图像的处理包括：

对所述观测图像进行细胞分割处理，获得所述观测图像对应的多个单细胞图像；

对所述多个单细胞图像进行采样和组合处理，获得参考单细胞图像组合；

对所述参考单细胞图像组合进行特征提取，基于特征提取的结果确定所述观测图像的稳定值或根据稳定值确定而来的稳定性类别。

7.一种细胞株稳定性预测装置，其特征在于，所述装置包括：

获取模块，用于获取待测细胞株的观测图像；

处理模块，用于将所述观测图像输入稳定性预测模型进行处理，获得所述待预测细胞株的稳定值或根据稳定值确定而来的稳定性类别；所述稳定性预测\模型是根据多个历史细胞株的图像以及每一所述历史细胞株的稳定值或根据稳定值确定而来的稳定性类别确定的；所述稳定值或根据稳定值确定而来的稳定性类别用于表征细胞株蛋白表达量的稳定性。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

Images