CN115358973B - 一种基于人工智能的类器官atp分析方法及系统 - Google Patents
一种基于人工智能的类器官atp分析方法及系统 Download PDFInfo
- Publication number
- CN115358973B CN115358973B CN202210868607.6A CN202210868607A CN115358973B CN 115358973 B CN115358973 B CN 115358973B CN 202210868607 A CN202210868607 A CN 202210868607A CN 115358973 B CN115358973 B CN 115358973B
- Authority
- CN
- China
- Prior art keywords
- organoid
- atp
- value
- culture
- images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 210000002220 organoid Anatomy 0.000 title claims abstract description 175
- 238000004458 analytical method Methods 0.000 title claims abstract description 50
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011148 porous material Substances 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims abstract description 28
- 238000002796 luminescence method Methods 0.000 claims abstract description 10
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000035899 viability Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000003833 cell viability Effects 0.000 claims description 5
- 239000003153 chemical reaction reagent Substances 0.000 claims description 5
- 231100000582 ATP assay Toxicity 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000001519 tissue Anatomy 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- ZKHQWZAMYRWXGA-UHFFFAOYSA-N Adenosine triphosphate Natural products C1=NC=2C(N)=NC=NC=2N1C1OC(COP(O)(=O)OP(O)(=O)OP(O)(O)=O)C(O)C1O ZKHQWZAMYRWXGA-UHFFFAOYSA-N 0.000 description 84
- 230000006870 function Effects 0.000 description 14
- 238000012054 celltiter-glo Methods 0.000 description 12
- 230000000052 comparative effect Effects 0.000 description 5
- 238000004020 luminiscence type Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001000 micrograph Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- ZKHQWZAMYRWXGA-KQYNXXCUSA-J ATP(4-) Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP([O-])(=O)OP([O-])(=O)OP([O-])([O-])=O)[C@@H](O)[C@H]1O ZKHQWZAMYRWXGA-KQYNXXCUSA-J 0.000 description 1
- 229930024421 Adenine Natural products 0.000 description 1
- GFFGJBXGBJISGV-UHFFFAOYSA-N Adenine Chemical compound NC1=NC=NC2=C1N=CN2 GFFGJBXGBJISGV-UHFFFAOYSA-N 0.000 description 1
- HMFHBZSHGGEWLO-SOOFDHNKSA-N D-ribofuranose Chemical compound OC[C@H]1OC(O)[C@H](O)[C@@H]1O HMFHBZSHGGEWLO-SOOFDHNKSA-N 0.000 description 1
- PYMYPHUHKUWMLA-LMVFSUKVSA-N Ribose Natural products OC[C@@H](O)[C@@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-LMVFSUKVSA-N 0.000 description 1
- CTCBPRXHVPZNHB-VQFZJOCSSA-N [[(2r,3s,4r,5r)-5-(6-aminopurin-9-yl)-3,4-dihydroxyoxolan-2-yl]methoxy-hydroxyphosphoryl] phosphono hydrogen phosphate;(2r,3r,4s,5r)-2-(6-aminopurin-9-yl)-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O.C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](COP(O)(=O)OP(O)(=O)OP(O)(O)=O)[C@@H](O)[C@H]1O CTCBPRXHVPZNHB-VQFZJOCSSA-N 0.000 description 1
- 229960000643 adenine Drugs 0.000 description 1
- HMFHBZSHGGEWLO-UHFFFAOYSA-N alpha-D-Furanose-Ribose Natural products OCC1OC(O)C(O)C1O HMFHBZSHGGEWLO-UHFFFAOYSA-N 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 125000002467 phosphate group Chemical group [H]OP(=O)(O[H])O[*] 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于人工智能的类器官ATP分析方法及系统。该ATP分析方法包括：对类器官培养孔板一一进行图像采集，获得一系列类器官图像；将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；将获得的系列类器官全景图和所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析。将该方法及系统用于监测类器官培养过程，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。
Description
技术领域
本发明属于生物医药技术领域，具体涉及一种基于人工智能的类器官ATP分析方法及系统。
背景技术
腺苷三磷酸(ATP adenosine triphosphate)是由腺嘌呤、核糖和3个磷酸基团连接而成，水解时释放出能量较多，是生物体内最直接的能量来源。可通过对类器官的ATP进行分析，来评估类器官的活力情况。
现有检测类器官活性的通用方法为CTG(CELL TITER-GLO)发光法，该方法需要加入对应试剂，使类器官发光，通过检测发光信号反映类器官的ATP指标，但该检测过程会导致类器官裂解，检测完毕后的类器官无法继续进行培养，并且检测程序相对复杂、耗时。
发明内容
针对现有技术存在的问题，本发明提供一种基于人工智能的类器官ATP分析方法及系统。本发明的技术方案为：
第一个方面，本发明提供一种基于人工智能的类器官ATP分析方法：包括以下步骤：
步骤1，对类器官培养孔板一一进行图像采集，获得一系列类器官图像；
步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；
步骤3，对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；
步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；
步骤5，利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析。
进一步地，所述步骤3中对类器官培养孔板采用CTG发光法进行类器官活力值检测，具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用ATP检测仪检测孔内类器官的ATP活力值。
优选地，所述步骤4中类器官ATP检测模型为神经网络模型，所述神经网络模型采用监督学习的方法进行迭代训练。
进一步地，所述步骤4中神经网络模型的具体迭代训练过程包括：
(1)首先将全景图中超曝光部分进行像素调节，使用OpenCV视觉库中的findContours检测出类器官培养孔轮廓，接着采用boundingRect包覆该轮廓的最小正矩形；
(2)将所有ATP活力值和对应的类器官全景图输入至神经网络模型中用于特征提取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有ATP活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的ATP活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(GPU)中再次进行迭代训练，直至误差L(y，Y)小于给定阈值停止训练。
进一步地，所述步骤(2)中总特征值采用公式Ⅰ计算：
Y＝a1×X1+a2×X2+a3×X3+a4×X4+...+an×XnⅠ；
式Ⅰ中，Y为全连接后的总特征值，X1、X2、...Xn为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数。
进一步地，所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
第二方面，本发明提供一种基于人工智能的ATP分析系统，包括：
显微图像获取装置，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图；
类器官ATP检测装置，与所述显微图像获取装置连接，所述类器官ATP检测装置包括类器官培养孔检测模块、类器官ATP分析模块；所述类器官培养孔检测模块用于提取类器官培养孔轮廓；所述类器官ATP分析模块在基于所述ATP检测模型的基础上对获取的类器官显微图像进行ATP分析；
通讯装置，用于将所述显微图像获取装置和类器官ATP检测装置进行通讯连接。
进一步地，所述类器官ATP分析模块采用基于神经网络的类器官ATP检测模型，所述类器官ATP检测模型的卷积网络连接有全连接层。
进一步地，所述类器官ATP检测模型采用基于均方误差原理的损失函数，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
第三方面，本发明提供一种类器官培养的监测方法，是采用上述ATP分析系统，该监测方法包括以下步骤：
获取待培养组织；
培养类器官；
采用所述ATP分析系统监测类器官活力值。
本发明的有益效果为：
本发明以类器官图像为直接分析数据，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。相较于现有的CTG(CELL TITER-GLO)发光法，在保证不损害类器官的情况下即可检测类器官的活性，为类器官培养当中的质控以及药敏分析建立了智能化处理的重要一环，利于检测的类器官继续进行后续培养和实验。
附图说明
图1为本发明的ATP分析方法的工艺流程图。
图2为本发明实施例1中类器官系列全景图。
图3为本发明实施例1中类器官系列培养孔轮廓图。
图4为本发明实施例2中类器官系列全景图。
图5为本发明实施例1中类器官系列培养孔轮廓图。
具体实施方式
本发明开发基于人工智能的类器官ATP分析方法过程中采用的现有ATP分析仪为Biotek公司Synergy 2化学发光仪。
在本发明的描述中，需要说明的是，实施例中未注明具体条件者，按照常规条件或制造商建议的条件进行。所用试剂或仪器未注明生产厂商者，均为可以通过市售购买获得的常规产品。
基于现有检测类器官活性的CTG发光法存在的会导致类器官裂解、相对耗时、复杂等问题，本发明开发了一种基于人工智能的类器官ATP分析方法：包括以下步骤：
步骤1，通过光学显微镜对类器官培养孔板一一进行图像采集，获得一系列类器官图像。
步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得所有孔板的系列类器官全景图。
步骤3，对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用ATP检测仪检测孔内类器官的ATP活力值。
步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练神经网络模型；所述神经网络模型采用监督学习的方法进行迭代训练。具体迭代训练过程包括：
(1)首先将全景图中超曝光部分进行像素调节，使用OpenCV视觉库中的findContours检测出类器官培养孔轮廓，接着采用boundingRect包覆该轮廓的最小正矩形；
(2)将所有ATP活力值和对应的类器官全景图输入至神经网络模型中用于特征提取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有ATP活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，所述迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的ATP活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(GPU)中再次进行迭代训练，直至误差L(y，Y)小于给定阈值停止训练。
进一步地，所述步骤(2)中总特征值采用公式Ⅰ计算：
Y＝a1×X1+a2×X2+a3×X3+a4×X4+...+an×Xn，Ⅰ
式Ⅰ中，Y为全连接后的总特征值，X1、X2、...Xn为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数；
进一步地，所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
本发明还提供一种基于人工智能的ATP分析系统，包括：显微图像获取装置、类器官ATP检测装置和通讯装置。
其中，显微图像获取装置具体为光学显微镜，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图。
类器官ATP检测装置与显微图像获取装置连接，类器官ATP检测装置包括类器官培养孔检测模块、类器官ATP分析模块；类器官培养孔检测模块用于提取类器官培养孔轮廓；类器官ATP分析模块在基于ATP检测模型的基础上对获取的类器官显微图像进行ATP分析；类器官ATP分析模块采用基于神经网络的类器官ATP检测模型，类器官ATP检测模型的卷积网络连接有全连接层，以实现对单张全景图的所有特征集合。并且类器官ATP检测模型采用基于均方误差原理的损失函数，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP检测值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
通讯装置用于将所述显微图像获取装置和类器官ATP检测装置进行通讯连接，本发明具体实施例中采用的为基于有线网络的通讯壮汉子，也可以采用无线、蓝牙等方式。
本发明还提供一种类器官培养的监测方法，是采用上述ATP分析系统，该监测方法包括以下步骤：
获取待培养组织；
培养类器官；
采用所述ATP分析系统监测类器官活力值。
下面结合附图和具体的实施例对本发明做进一步详细说明，所述是对本发明的解释而不是限定。
实施例1
本实施例提供一种基于人工智能的小鼠肝脏类器官ATP分析方法，包括以下步骤：
(1)获取类器官显微图像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像包含三维信息(即层切叠加)。
(2)对采集到的类器官显微图像数据进行类器官的ATP检测。操作流程如图1所示。
(3)将图像均一堆叠拼接成全景图像，共6幅图像，如图2。
(4)提取类器官培养孔轮廓，如图3。
(4)将轮廓图载入本发明的ATP分析系统，得出每个培养孔的类器官ATP检测值，汇总并导出EXCEL数据表，如表1所示。
表1实施例1的类器官ATP检测结果
| 培养孔 | 分析系统ATP检测值(发光强度) |
| D2 | 4815 |
| D3 | 30366 |
| D4 | 54718 |
| D5 | 66048 |
| D6 | 59242 |
| D7 | 67388 |
实施例2
本实施例提供一种基于人工智能的小鼠肺类器官ATP分析方法，包括以下步骤：
(1)获取类器官显微图像数据。具体方法为：使用光学显微镜对需要评分的类器官孔板(或培养皿)进行扫描拍照，获得孔板所有区域类器官的图像。显微图像最好包含三维信息(即层切叠加)。
(2)采用上述基于人工智能的类器官ATP分析方法及基于人工智能的ATP分析系统，对采集到的类器官显微图像数据进行类器官的ATP检测。操作流程如图1所示。
(3)将图像均一堆叠拼接成全景图像，共6幅图像，如图4。
(4)提取类器官培养孔轮廓，如图5。
(5)将轮廓图载入“ATP分析系统”，得出每个培养孔的类器官ATP检测值，汇总并导出EXCEL数据表，如表2所示。
表2实施例2的类器官ATP检测结果
| 培养孔 | 分析系统ATP检测值(发光强度) |
| A2 | 72352 |
| A3 | 76831 |
| A4 | 76358 |
| A5 | 64519 |
| A6 | 71377 |
| A7 | 68918 |
对比例1
以实施例1方法获得ATP检测值后，采用CTG发光法测定细胞活力值，得各个培养孔吸光度值，CTG发光法为本领域测定类器官活力的常规方法，这里不做详细描述。得结果如表3所示：
表3对比例1的类器官ATP分析结果
对比例2
以实施例2方法获得ATP检测值后，采用CTG发光法测定细胞活力值，得各个培养孔吸光度值，得结果如表4所示：
表4对比例2的类器官ATP分析结果
| 培养孔 | 实施例2ATP检测值 | 对比例2ATP值 |
| A2 | 72352 | 73677 |
| A3 | 76831 | 80813 |
| A4 | 76358 | 80516 |
| A5 | 64519 | 65926 |
| A6 | 71377 | 76790 |
| A7 | 68918 | 73380 |
通过表3和4的数据可以看出，分析系统的ATP检测值和ATP值的误差不超过10个百分点，系统检测精度较好，且性能稳定。
综上，本发明以类器官图像为直接分析数据，数据获取容易且直观形象，不需要裂解类器官，且分析过程智能化、精度高、简单高效。相较于现有的CTG(CELL TITER-GLO)发光法，在保证不损害类器官的情况下即可检测类器官的活性，为类器官培养当中的质控以及药敏分析建立了智能化处理的重要一环，利于检测的类器官继续进行后续培养和实验。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (4)
1.一种基于人工智能的类器官ATP分析方法，其特征在于：包括以下步骤：
步骤1，对类器官培养孔板一一进行图像采集，获得一系列类器官图像；
步骤2，将位于同一孔板的所有类器官图像拼接成一张全景图，进而获得系列类器官全景图；
步骤3，对类器官培养孔板采用CTG发光法进行类器官活力值检测，获得每个孔板中类器官的活力值；
步骤4，将步骤2获得的系列类器官全景图和步骤3获得的所有孔板中类器官的活力值制作成类器官ATP检测模型的训练集，并利用该训练集训练类器官ATP检测模型；
步骤5，利用训练好的类器官ATP检测模型对获取的类器官图像进行ATP活力值检测分析；
所述步骤4中神经网络模型的具体迭代训练过程包括：
步骤(1)首先将全景图中超曝光部分进行像素调节，使用OpenCV视觉库中的findContours检测出类器官培养孔轮廓，接着采用boundingRect包覆该轮廓的最小正矩形；
步骤(2)将所有ATP活力值和对应的类器官全景图输入至神经网络模型中用于特征提取的卷积网络，得到一系列关于全景图的特征，在所述卷积网络后加入全连接层以实现对单张全景图的所有特征集合，并计算出各张全景图的总特征值，将所有ATP活力值和对应的各张全景图总特征值再次输入所述卷积网络，以此类推，进行迭代训练，迭代训练过程中采用损失函数降低各张全景图的总特征值与其对应的ATP活力值之间差异程度的偏差，进而各张全景图的总特征值计算精度随着训练评价函数而收敛；
步骤(3)将所述损失函数和迭代训练获得的神经网络模型送入图形处理器(GPU)中再次进行迭代训练，直至误差L(y，Y)小于给定阈值停止训练；
所述步骤(2)中总特征值采用公式Ⅰ计算：
Y＝a1×X1+a2×X2+a3×X3+a4×X4+...+an×XnⅠ；
式Ⅰ中，Y为全连接后的总特征值，X1、X2、...Xn为特征提取网络传输的输入神经元，a1、a2、...an为各个神经元的权重系数；
所述步骤(3)中采用的损失函数是基于均方误差原理，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP活力值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
2.根据权利要求1所述的一种基于人工智能的类器官ATP分析方法，其特征在于：所述步骤3中对类器官培养孔板采用CTG发光法进行类器官活力值检测，具体为：在类器官培养孔板中加入发光法细胞活力检测试剂，混匀后，利用ATP检测仪检测孔内类器官的ATP活力值。
3.一种基于人工智能的ATP分析系统，其特征在于：用于实现权利要求1或2所述的类器官ATP分析方法，该系统包括：
显微图像获取装置，用于获取类器官的显微图像，并将同一孔板中类器官的所有显微图像拼接成全景图；
类器官ATP检测装置，与所述显微图像获取装置连接，所述类器官ATP检测装置包括类器官培养孔检测模块、类器官ATP分析模块；所述类器官培养孔检测模块用于提取类器官培养孔轮廓；所述类器官ATP分析模块在基于所述ATP检测模型的基础上对获取的类器官显微图像进行ATP分析；
通讯装置，用于将所述显微图像获取装置和类器官ATP检测装置进行通讯连接；
所述类器官ATP分析模块采用基于神经网络的类器官ATP检测模型，类器官ATP检测模型的卷积网络连接有全连接层；
所述类器官ATP检测模型采用基于均方误差原理的损失函数，通过调用scikit-learn库中的函数，并采用公式Ⅱ计算均方误差：
式Ⅱ中，y表示步骤3中的ATP活力值，Y为全连接后的总特征值，n表示全景图的数量，通过将各个总特征值与实际ATP值进行对比，逐步降低两者之间的误差。
4.一种类器官培养的监测方法，其特征在于：是采用权利要求3所述的ATP分析系统，该监测方法包括以下步骤：
获取待培养组织；
培养类器官；
采用所述ATP分析系统监测类器官活力值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210868607.6A CN115358973B (zh) | 2022-07-22 | 2022-07-22 | 一种基于人工智能的类器官atp分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210868607.6A CN115358973B (zh) | 2022-07-22 | 2022-07-22 | 一种基于人工智能的类器官atp分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115358973A CN115358973A (zh) | 2022-11-18 |
| CN115358973B true CN115358973B (zh) | 2023-10-03 |
Family
ID=84032625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210868607.6A Active CN115358973B (zh) | 2022-07-22 | 2022-07-22 | 一种基于人工智能的类器官atp分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358973B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012838B (zh) * | 2022-12-30 | 2023-11-07 | 创芯国际生物科技(广州)有限公司 | 基于人工智能的类器官活性识别方法及系统 |
| WO2024171187A1 (en) * | 2023-02-14 | 2024-08-22 | Quris Technologies Ltd | Apparatus and method for reduction of micro-tissues functional variability, and controlling the experiment flow based on ml inference of the micro-tissues condition |
| CN117352040A (zh) * | 2023-09-11 | 2024-01-05 | 创芯国际生物科技(广州)有限公司 | 一种基于类器官细胞活力的药物敏感性分析方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112680398A (zh) * | 2021-01-18 | 2021-04-20 | 南昌五元生物科技有限公司 | 用于可室温保存类器官的培养基及维持类器官生长活性的方法 |
| CN113283352A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官活力评价方法及系统 |
| CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2022504174A (ja) * | 2018-10-04 | 2022-01-13 | ザ ロックフェラー ユニバーシティー | 無バイアス機械学習を使用して生物活性剤を特定するためのシステムおよび方法 |
-
2022
- 2022-07-22 CN CN202210868607.6A patent/CN115358973B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112680398A (zh) * | 2021-01-18 | 2021-04-20 | 南昌五元生物科技有限公司 | 用于可室温保存类器官的培养基及维持类器官生长活性的方法 |
| CN113283352A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官活力评价方法及系统 |
| CN113283353A (zh) * | 2021-05-31 | 2021-08-20 | 创芯国际生物科技(广州)有限公司 | 一种基于显微图像的类器官细胞计数方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈学军 等.三邻甲苯磷酸酯对人诱导多能干细胞来源的人脑类器官的毒性.《中国药理学与毒理学杂志》.2021,第35卷(第11期),第824-829页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115358973A (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115358973B (zh) | 一种基于人工智能的类器官atp分析方法及系统 | |
| CN108830144B (zh) | 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法 | |
| Klingenberg | Analyzing fluctuating asymmetry with geometric morphometrics: concepts, methods, and applications | |
| CN102334422B (zh) | 基于机器视觉的蔬菜叶部病害实时诊断方法与系统 | |
| CN107862694A (zh) | 一种基于深度学习的手足口病检测系统 | |
| WO2023040164A1 (zh) | 一种基于pet/ct的肺腺癌鳞癌诊断模型训练方法及装置 | |
| CN113283352B (zh) | 一种基于显微图像的类器官活力评价方法及系统 | |
| CN109035227A (zh) | 对ct图像进行肺部肿瘤检测与诊断的系统 | |
| Zhu et al. | Nondestructive identification for gender of chicken eggs based on GA-BPNN with double hidden layers | |
| CN115512215B (zh) | 水下生物监测方法、装置及存储介质 | |
| CN113361623A (zh) | 一种轻量级cnn结合迁移学习的医学图像分类方法 | |
| CN116295022A (zh) | 一种基于深度学习多参数融合的猪只体尺测量方法 | |
| CN117029673A (zh) | 一种基于人工智能实现的鱼类体表多尺寸测量方法 | |
| Yin et al. | A novel method of situ measurement algorithm for oudemansiella raphanipies caps based on YOLO v4 and distance filtering | |
| CN113326743B (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
| CN112183420B (zh) | 基于减背景、帧差和Meanshift算法的果蝇攀爬检测、跟踪方法 | |
| CN117441649A (zh) | 基于生长性状均一性选育的斑节对虾培育方法及系统 | |
| CN109633143B (zh) | 一种测定造血干细胞移植后患者骨髓微循环环境检测的系统和方法 | |
| US20240193968A1 (en) | Analyzing microscope images of microalgae culture samples | |
| CN114419432B (zh) | 一种鱼群摄食强度评估方法及装置 | |
| CN114529554B (zh) | 一种胃癌her2数字病理切片智能辅助判读方法 | |
| KR101907563B1 (ko) | 초분광 영상을 이용한 유정란 내부 배아 생존유무 판별방법 | |
| Chéles et al. | An image processing protocol to extract variables predictive of human embryo fitness for assisted reproduction | |
| CN108846327A (zh) | 一种色素痣与黑素瘤的智能判别系统及方法 | |
| Dong et al. | Measurement method of plant phenotypic parameters based on image deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |