CN116312809B - 一种基于抗体偶联磁珠的细胞筛选方法 - Google Patents

一种基于抗体偶联磁珠的细胞筛选方法 Download PDF

Info

Publication number
CN116312809B
CN116312809B CN202310376913.2A CN202310376913A CN116312809B CN 116312809 B CN116312809 B CN 116312809B CN 202310376913 A CN202310376913 A CN 202310376913A CN 116312809 B CN116312809 B CN 116312809B
Authority
CN
China
Prior art keywords
magnetic bead
feature
bead screening
training
vectors
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
Application number
CN202310376913.2A
Other languages
English (en)
Other versions
CN116312809A (zh
Inventor
吴彤
王贤淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Meisai Biomedical Technology Co ltd
Original Assignee
Hangzhou Meisai Biomedical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Meisai Biomedical Technology Co ltd filed Critical Hangzhou Meisai Biomedical Technology Co ltd
Priority to CN202310376913.2A priority Critical patent/CN116312809B/zh
Publication of CN116312809A publication Critical patent/CN116312809A/zh
Application granted granted Critical
Publication of CN116312809B publication Critical patent/CN116312809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/30—Assessment of water resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Primary Health Care (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioethics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

公开了一种基于抗体偶联磁珠的细胞筛选方法。其首先将多个预定时间点的流体静压值排列为静压输入向量后通过时序编码器以得到静压时序特征向量，接着，将多个预定时间点的磁珠筛选图像分别通过ViT模型以得到多个磁珠筛选图像特征向量，然后，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，接着，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵，最后，将所述协同特征矩阵通过分类器以得到用于表示当前时间点的流体静压值应增大或应减小的分类结果。这样，可以减少细胞在高压下受到伤害或死亡的情况发生。

Description

一种基于抗体偶联磁珠的细胞筛选方法
技术领域
本申请涉及智能控制领域，且更为具体地，涉及一种基于抗体偶联磁珠的细胞筛选方法。
背景技术
传统的慢病毒稳转株构建方法包括：病毒感染→换液培养2天→扩增→磁珠分选→加压培养→磁珠分选→单克隆培养→鉴定细胞株并冻存。
但在筛选过程中细胞活力和扩增能力会受到影响。也就是说，如果无任何基因标记(抗生素不耐受或者无荧光等标记)可通过转染后加压培养的细胞群中进行特异性的磁珠筛选，将特异性阳性抗体包被在磁珠上，捕获后进行细胞的洗脱不活化细胞功能并且保持细胞的活率，多次流式检测等方法验证阳性细胞株可能会对细胞活率及扩增能力有影响。
因此，期待一种优化的细胞筛选方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于抗体偶联磁珠的细胞筛选方法。其首先将多个预定时间点的流体静压值排列为静压输入向量后通过时序编码器以得到静压时序特征向量，接着，将多个预定时间点的磁珠筛选图像分别通过ViT模型以得到多个磁珠筛选图像特征向量，然后，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，接着，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵，最后，将所述协同特征矩阵通过分类器以得到用于表示当前时间点的流体静压值应增大或应减小的分类结果。这样，可以减少细胞在高压下受到伤害或死亡的情况发生。
根据本申请的一个方面，提供了一种基于抗体偶联磁珠的细胞筛选方法，其包括：
获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像；
将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量；
将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量；
将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量；
对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵；以及
将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。
在上述的基于抗体偶联磁珠的细胞筛选方法中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量，包括：
使用所述时序编码器的全连接层以如下全连接编码公式对所述静压输入向量进行全连接编码以提取出所述静压输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：其中X是所述静压输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；
使用所述时序编码器的一维卷积层以如下一维编码公式对所述静压输入向量进行一维卷积编码以提取出所述静压输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述一维编码公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述静压输入向量，Cov(X)表示对所述静压输入向量进行一维卷积编码。
在上述的基于抗体偶联磁珠的细胞筛选方法中，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量，包括：
分别对所述多个预定时间点的磁珠筛选图像进行图像分块以得到多个磁珠筛选图像块的序列；
使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列；以及
将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量。
在上述的基于抗体偶联磁珠的细胞筛选方法中，使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列，包括：
将所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块分别展开为一维磁珠筛选输入向量以得到多个一维磁珠筛选输入向量；以及
使用所述图像块嵌入层对所述多个一维磁珠筛选输入向量中各个一维磁珠筛选输入向量进行全连接编码以得到所述多个磁珠筛选图像块嵌入向量的序列。
在上述的基于抗体偶联磁珠的细胞筛选方法中，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量，包括：
将所述多个磁珠筛选图像块嵌入向量的序列进行一维排列以得到第一磁珠筛选特征向量；
计算所述第一磁珠筛选特征向量与所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵；
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵；
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值；以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量进行加权以得到所述多个磁珠筛选图像特征向量。
在上述的基于抗体偶联磁珠的细胞筛选方法中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在上述的基于抗体偶联磁珠的细胞筛选方法中，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层对所述一维特征向量进行一维卷积编码以得到第一尺度磁珠筛选特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
使用所述多尺度邻域特征提取模块的第二卷积层对所述一维特征向量进行一维卷积编码以得到第二尺度磁珠筛选特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度磁珠筛选特征向量和所述第二尺度磁珠筛选特征向量进行级联以得到所述磁珠筛选时序特征向量。
在上述的基于抗体偶联磁珠的细胞筛选方法中，还包括训练步骤：对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括：预定时间段内多个预定时间点的训练流体静压值、所述多个预定时间点的训练磁珠筛选图像，以及，当前时间点的流体静压值应增大或应减小的真实值；
将所述多个预定时间点的训练流体静压值按照时间维度排列为训练静压输入向量后通过所述包含一维卷积层和全连接层的时序编码器以得到训练静压时序特征向量；
将所述多个预定时间点的训练磁珠筛选图像分别通过所述包含图像块嵌入层的ViT模型以得到多个训练磁珠筛选图像特征向量；
将所述多个训练磁珠筛选图像特征向量排列为训练一维特征向量后通过所述多尺度邻域特征提取模块以得到训练磁珠筛选时序特征向量；
对所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量进行关联编码以得到训练协同特征矩阵；
对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵；
将所述优化后训练协同特征矩阵通过分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
在上述的基于抗体偶联磁珠的细胞筛选方法中，对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵，包括：
以如下优化公式对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化后训练协同特征矩阵；
其中，所述优化公式为：
其中，M是所述训练协同特征矩阵，ve1到ven是所述训练协同特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，其为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练协同特征矩阵之间的距离，Me是所述优化后训练协同特征矩阵，表示矩阵乘，/>表示矩阵和，⊙表示按位置点乘。
与现有技术相比，本申请提供的基于抗体偶联磁珠的细胞筛选方法，其首先将多个预定时间点的流体静压值排列为静压输入向量后通过时序编码器以得到静压时序特征向量，接着，将多个预定时间点的磁珠筛选图像分别通过ViT模型以得到多个磁珠筛选图像特征向量，然后，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，接着，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵，最后，将所述协同特征矩阵通过分类器以得到用于表示当前时间点的流体静压值应增大或应减小的分类结果。这样，可以减少细胞在高压下受到伤害或死亡的情况发生。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的磁珠纯化的示意图。
图2为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的应用场景图。
图3为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的流程图。
图4为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的架构示意图。
图5为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的子步骤S130的流程图。
图6为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的子步骤S132的流程图。
图7为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的子步骤S133的流程图。
图8为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的子步骤S140的流程图。
图9为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的进一步包括的训练步骤的流程图。
图10为根据本申请实施例的基于抗体偶联磁珠的细胞筛选系统的框图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如图1所示，磁珠(beads)纯化能回收不同长度的DNA。具体的，磁珠能够吸附大于某个长度的DNA，因此，如果要筛选特定大小范围的DNA，需要做两步磁珠纯化，先用较稀的磁珠吸附走过大的片段，然后用较浓的磁珠筛选掉过小的片段，剩下就是想要的大小范围的DNA。
一般磁珠由三层构成，最里面是聚苯乙烯，外面包裹一层磁性物质四氧化三铁，最外面再包一层高分子材料，上面偶联不同的官能团。不同功能的磁珠，偶联的官能团不同，纯化核酸用的一般使用的是羧基(-COOH)。
磁珠纯化DNA/RNA核心技术是固相可逆固定化技术(Solid-phase reversibleimmobilization，SPRI)。在较高浓度的PEG和NaCl溶液中，PEG夺取DNA分子外面水化层的水，导致水化层被破坏，DNA分子发生聚集沉淀，带负电的磷酸基团裸露出来，通过钠离子与磁珠表面的羧基形成“盐桥”，或者也叫“电桥”，使得DNA吸附到磁珠表面。
DNA越长，表面裸露出来带负电的磷酸基团越多，整条分子带的负电就更强，更容易吸附到磁珠，只需要较低浓度的PEG和NaCl，就可以回收；DNA越短，就需要更高浓度的PEG和NaCl，将其表面的水化层破坏得更彻底，裸露出来足够多带负电的磷酸基团，才能被磁珠吸附住，从而回收回来。所以如果想回收较短的DNA片段时，需要加入的磁珠体积更大。
此外，体系中的PEG还可以增加溶液的粘稠度，让磁珠保持悬浮不容易沉聚，在DNAbinding过程中更充分与DNA接触，同时PEG也不易造成蛋白变性和非特异性吸附。但是PEG的DNA沉聚效果容易受到pH值、温度等的影响，温度过低PEG也不易与水完全互溶，所以磁珠一般都要求室温平衡后再用，其储存buffer里也会加一些低浓度的pH稳定剂，如Tris-HCl等。
针对前述技术问题，本申请的技术构思为：在转染后加压培养的细胞群中进行特异性的磁珠筛选的步骤中，以利用深度学习和人工智能技术来智能化地控制流体静压值以确保细胞群与磁珠的充分接触，促进特异性结合，并减少非特异性结合。同时也可以避免细胞在高压下受到伤害或死亡的情况发生。
具体地，在本申请的技术方案中，首先，获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像。在细胞培养期间，流体静压值的变化与细胞生长环境密切相关，监测预定时间段内多个预定时间点的流体静压值可以反映出培养环境的稳定性、细胞状态等信息。同时，通过磁珠筛选图像可以直观地反映出细胞群与磁珠的结合情况。
在细胞培养过程中，流体静压值随着时间的推移会发生变化，并且这种变化对细胞的影响也是渐进的。为了提取流体静压值的时序特征，在本申请的技术方案中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以捕捉到流体静压值随时间变化的趋势，从而得到静压时序特征向量。
接着，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量。这里，通过对磁珠筛选图像进行特征提取，可以获得与细胞状态、分离效果等相关的信息，进而更准确地评估细胞群的质量和状态。其中，基于图像嵌入技术的ViT模型具有较强的表征能力和泛化能力，可以有效地提取出图片中的关键信息，从而生成磁珠筛选图像特征向量。
为了进一步提取磁珠筛选图像的时序特征，在本申请的技术方案中，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量。在所述多尺度邻域特征提取模块的编码过程中，可以提取出磁珠筛选图像在不同时间跨度下的时序特征，包括细胞数量、分布和结合情况等信息，以提高后续分类处理的精准度。
然后，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以综合利用两种时序特征，提高流体静压自动调节模型的精度和鲁棒性，从而得到协同特征矩阵。其中，所述协同特征矩阵中每个位置的特征值既包含了静压时序特征向量中的信息，又包含了磁珠筛选时序特征向量中的信息。也就是说，在本申请的技术方案中，将静压时序特征向量与磁珠筛选时序特征向量协同起来，从而更好地掌握细胞培养过程中的动态变化，实现流体静压的实时监测和自动调节。
在得到所述协同特征矩阵后，将其通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。具体地，分类器可以将协同特征矩阵作为输入，并输出一个二元分类结果，代表当前时间点的流体静压值应该增大还是减小。根据这个结果，操作人员可以及时调节流体静压值，保持细胞生长环境的稳定性和一致性，从而提高细胞培养的成功率和质量。
这里，针对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码得到的所述协同特征矩阵，考虑到所述磁珠筛选时序特征向量和所述静压时序特征向量分别用于表达磁珠筛选图像的图像语义和流体静压值的时序关联特征，其中磁珠筛选图像的图像语义和流体静压值分别对应于图像语义特征数据和数值数据，其本身在特征维度和数据性质上均具有异质性，ViT模型+多尺度邻域特征提取模块与时序编码器也在所提取的时序关联特征维度上存在时序维度上的不对齐，这就导致所述磁珠筛选时序特征向量和所述静压时序特征向量的整体特征分布之间的全局关联性可能较差，从而使得进行关联编码得到的所述协同特征矩阵的各个特征值之间的关联度低。这样，在模型的训练过程中，当梯度反向传播到协同特征矩阵时，其某些位于类目标域边缘的特征值会在被失配地约束在相反的优化方向，从而影响模型的训练效果。
因此，在本申请的技术方案中，优选地对所述协同特征矩阵，例如记为M进行本征单位化的逐位位移关联匹配优化，优化后的协同特征矩阵M′表示为：
ve1到ven是所述协同特征矩阵M进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，其为对角矩阵，d(Me,M)为所述本征单位化矩阵Me与所述协同特征矩阵M之间的距离。
也就是，通过基于所述协同特征矩阵M的本征分解获得的所述本征单位化矩阵Me来对所述协同特征矩阵M进行逐位位移关联，并以所述协同特征矩阵M相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播时由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的协同特征矩阵M′的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。
图2为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的应用场景图。如图2所示，在该应用场景中，首先，获取预定时间段内多个预定时间点的流体静压值(例如，图2中所示意的D1)以及所述多个预定时间点的磁珠筛选图像(例如，图2中所示意的D2)，然后，将所述多个预定时间点的流体静压值和所述多个预定时间点的磁珠筛选图像输入至部署有基于抗体偶联磁珠的细胞筛选算法的服务器中(例如，图2中所示意的S)，其中，所述服务器能够使用所述基于抗体偶联磁珠的细胞筛选算法对所述多个预定时间点的流体静压值和所述多个预定时间点的磁珠筛选图像进行处理以得到用于表示当前时间点的流体静压值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图3为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的流程图。如图3所示，根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法，包括步骤：S110，获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像；
S120，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量；S130，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量；S140，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量；S150，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵；以及，S160，将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。
图4为根据本申请实施例的基于抗体偶联磁珠的细胞筛选方法的架构示意图。如图4所示，在该网络架构中，首先，获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像；接着，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量；然后，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量；接着，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量；然后，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵；最后，将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。
更具体地，在步骤S110中，获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像。在细胞培养期间，流体静压值的变化与细胞生长环境密切相关，监测预定时间段内多个预定时间点的流体静压值可以反映出培养环境的稳定性、细胞状态等信息。同时，通过磁珠筛选图像可以直观地反映出细胞群与磁珠的结合情况。
更具体地，在步骤S120中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量。在细胞培养过程中，流体静压值随着时间的推移会发生变化，并且这种变化对细胞的影响也是渐进的。为了提取流体静压值的时序特征，在本申请的技术方案中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以捕捉到流体静压值随时间变化的趋势，从而得到静压时序特征向量。
相应地，在一个具体示例中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量，包括：使用所述时序编码器的全连接层以如下全连接编码公式对所述静压输入向量进行全连接编码以提取出所述静压输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：其中X是所述静压输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；使用所述时序编码器的一维卷积层以如下一维编码公式对所述静压输入向量进行一维卷积编码以提取出所述静压输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述一维编码公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述静压输入向量，Cov(X)表示对所述静压输入向量进行一维卷积编码。
更具体地，在步骤S130中，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量。通过对磁珠筛选图像进行特征提取，可以获得与细胞状态、分离效果等相关的信息，进而更准确地评估细胞群的质量和状态。其中，基于图像嵌入技术的ViT模型具有较强的表征能力和泛化能力，可以有效地提取出图片中的关键信息，从而生成磁珠筛选图像特征向量。
相应地，在一个具体示例中，如图5所示，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量，包括：S131，分别对所述多个预定时间点的磁珠筛选图像进行图像分块以得到多个磁珠筛选图像块的序列；S132，使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列；以及，S133，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量。
相应地，在一个具体示例中，如图6所示，使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列，包括：S1321，将所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块分别展开为一维磁珠筛选输入向量以得到多个一维磁珠筛选输入向量；以及，S1322，使用所述图像块嵌入层对所述多个一维磁珠筛选输入向量中各个一维磁珠筛选输入向量进行全连接编码以得到所述多个磁珠筛选图像块嵌入向量的序列。
相应地，在一个具体示例中，如图7所示，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量，包括：S1331，将所述多个磁珠筛选图像块嵌入向量的序列进行一维排列以得到第一磁珠筛选特征向量；
S1332，计算所述第一磁珠筛选特征向量与所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵；S1333，分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵；S1334，将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值；以及，S1335，分别以所述多个第一概率值中各个第一概率值作为权重对所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量进行加权以得到所述多个磁珠筛选图像特征向量。
更具体地，在步骤S140中，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量。这样，可以提取磁珠筛选图像的时序特征。在所述多尺度邻域特征提取模块的编码过程中，可以提取出磁珠筛选图像在不同时间跨度下的时序特征，包括细胞数量、分布和结合情况等信息，以提高后续分类处理的精准度。
相应地，在一个具体示例中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
相应地，在一个具体示例中，如图8所示，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，包括：S141，使用所述多尺度邻域特征提取模块的第一卷积层对所述一维特征向量进行一维卷积编码以得到第一尺度磁珠筛选特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S142，使用所述多尺度邻域特征提取模块的第二卷积层对所述一维特征向量进行一维卷积编码以得到第二尺度磁珠筛选特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S143，使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度磁珠筛选特征向量和所述第二尺度磁珠筛选特征向量进行级联以得到所述磁珠筛选时序特征向量。
更具体地，在步骤S150中，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵。这样，综合利用了两种时序特征，提高流体静压自动调节模型的精度和鲁棒性，从而得到协同特征矩阵。其中，所述协同特征矩阵中每个位置的特征值既包含了静压时序特征向量中的信息，又包含了磁珠筛选时序特征向量中的信息。也就是说，在本申请的技术方案中，将静压时序特征向量与磁珠筛选时序特征向量协同起来，从而更好地掌握细胞培养过程中的动态变化，实现流体静压的实时监测和自动调节。
更具体地，在步骤S160中，将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。具体地，分类器可以将协同特征矩阵作为输入，并输出一个二元分类结果，代表当前时间点的流体静压值应该增大还是减小。根据这个结果，操作人员可以及时调节流体静压值，保持细胞生长环境的稳定性和一致性，从而提高细胞培养的成功率和质量。
也就是，在本申请的技术方案中，所述分类器的标签包括当前时间点的流体静压值应增大(第一标签)，以及，当前时间点的流体静压值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的流体静压值应增大或应减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的流体静压值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的流体静压值应增大或应减小”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为当前时间点的流体静压值应增大或应减小的评估检测标签，因此，在得到所述分类结果后，可基于所述分类结果对当前时间点的流体静压值进行调整。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题，对于多分类问题(multi-class classification)，同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，所述的基于抗体偶联磁珠的细胞筛选方法还包括训练步骤：对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练；其中，如图9所示，所述训练步骤，包括：S210，获取训练数据，所述训练数据包括：预定时间段内多个预定时间点的训练流体静压值、所述多个预定时间点的训练磁珠筛选图像，以及，当前时间点的流体静压值应增大或应减小的真实值；S220，将所述多个预定时间点的训练流体静压值按照时间维度排列为训练静压输入向量后通过所述包含一维卷积层和全连接层的时序编码器以得到训练静压时序特征向量；S230，将所述多个预定时间点的训练磁珠筛选图像分别通过所述包含图像块嵌入层的ViT模型以得到多个训练磁珠筛选图像特征向量；
S240，将所述多个训练磁珠筛选图像特征向量排列为训练一维特征向量后通过所述多尺度邻域特征提取模块以得到训练磁珠筛选时序特征向量；S250，对所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量进行关联编码以得到训练协同特征矩阵；S260，对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵；S270，将所述优化后训练协同特征矩阵通过分类器以得到分类损失函数值；以及，S280，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
这里，针对所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量进行关联编码得到的所述训练协同特征矩阵，考虑到所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量分别用于表达磁珠筛选图像的图像语义和流体静压值的时序关联特征，其中磁珠筛选图像的图像语义和流体静压值分别对应于图像语义特征数据和数值数据，其本身在特征维度和数据性质上均具有异质性，ViT模型+多尺度邻域特征提取模块与时序编码器也在所提取的时序关联特征维度上存在时序维度上的不对齐，这就导致所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量的整体特征分布之间的全局关联性可能较差，从而使得进行关联编码得到的所述训练协同特征矩阵的各个特征值之间的关联度低。这样，在模型的训练过程中，当梯度反向传播到协同特征矩阵时，其某些位于类目标域边缘的特征值会在被失配地约束在相反的优化方向，从而影响模型的训练效果。因此，在本申请的技术方案中，优选地对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化。
相应地，在一个具体示例中，对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵，包括：以如下优化公式对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化后训练协同特征矩阵；其中，所述优化公式为：
其中，M是所述训练协同特征矩阵，ve1到ven是所述训练协同特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，其为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练协同特征矩阵之间的距离，Me是所述优化后训练协同特征矩阵，表示矩阵乘，/>表示矩阵和，⊙表示按位置点乘。
也就是，通过基于所述训练协同特征矩阵的本征分解获得的所述本征单位化矩阵来对所述训练协同特征矩阵进行逐位位移关联，并以所述训练协同特征矩阵相对本征单位化空间内的投影距离来进行特征关联关系的匹配，可以解决模型参数在反向传播时由于特征的关联性分布弱而导致的优化方向的不匹配问题，避免优化后的训练协同特征矩阵的处于类目标域边缘的特征值被失配地约束在相反的优化方向，导致训练效果变差。
综上，基于本申请实施例的基于抗体偶联磁珠的细胞筛选方法，其首先将多个预定时间点的流体静压值排列为静压输入向量后通过时序编码器以得到静压时序特征向量，接着，将多个预定时间点的磁珠筛选图像分别通过ViT模型以得到多个磁珠筛选图像特征向量，然后，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，接着，对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵，最后，将所述协同特征矩阵通过分类器以得到用于表示当前时间点的流体静压值应增大或应减小的分类结果。这样，可以减少细胞在高压下受到伤害或死亡的情况发生。
图10为根据本申请实施例的基于抗体偶联磁珠的细胞筛选系统100的框图。如图10所示，根据本申请实施例的基于抗体偶联磁珠的细胞筛选系统100，包括：数据获取模块110，用于获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像；时序编码模块120，用于将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量；ViT编码模块130，用于将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量；多尺度编码模块140，用于将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量；关联编码模块150，用于对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵；以及，分类模块160，用于将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，所述时序编码模块120，用于：使用所述时序编码器的全连接层以如下全连接编码公式对所述静压输入向量进行全连接编码以提取出所述静压输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：其中X是所述静压输入向量，Y是输出向量，W是权重矩阵，B是偏置向量，/>表示矩阵乘；使用所述时序编码器的一维卷积层以如下一维编码公式对所述静压输入向量进行一维卷积编码以提取出所述静压输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述一维编码公式为：
其中，a为卷积核在x方向上的宽度、F(a)为卷积核参数向量、G(x-a)为与卷积核函数运算的局部向量矩阵，w为卷积核的尺寸，X表示所述静压输入向量，Cov(X)表示对所述静压输入向量进行一维卷积编码。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，所述ViT编码模块130，用于：分别对所述多个预定时间点的磁珠筛选图像进行图像分块以得到多个磁珠筛选图像块的序列；使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列；以及，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列，包括：将所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块分别展开为一维磁珠筛选输入向量以得到多个一维磁珠筛选输入向量；以及，使用所述图像块嵌入层对所述多个一维磁珠筛选输入向量中各个一维磁珠筛选输入向量进行全连接编码以得到所述多个磁珠筛选图像块嵌入向量的序列。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量，包括：将所述多个磁珠筛选图像块嵌入向量的序列进行一维排列以得到第一磁珠筛选特征向量；计算所述第一磁珠筛选特征向量与所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵；分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵；将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值；以及，分别以所述多个第一概率值中各个第一概率值作为权重对所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量进行加权以得到所述多个磁珠筛选图像特征向量。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，所述多尺度编码模块140，用于：使用所述多尺度邻域特征提取模块的第一卷积层对所述一维特征向量进行一维卷积编码以得到第一尺度磁珠筛选特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；使用所述多尺度邻域特征提取模块的第二卷积层对所述一维特征向量进行一维卷积编码以得到第二尺度磁珠筛选特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度磁珠筛选特征向量和所述第二尺度磁珠筛选特征向量进行级联以得到所述磁珠筛选时序特征向量。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，还包括对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练的训练模块；其中，所述训练模块，用于：获取训练数据，所述训练数据包括：预定时间段内多个预定时间点的训练流体静压值、所述多个预定时间点的训练磁珠筛选图像，以及，当前时间点的流体静压值应增大或应减小的真实值；将所述多个预定时间点的训练流体静压值按照时间维度排列为训练静压输入向量后通过所述包含一维卷积层和全连接层的时序编码器以得到训练静压时序特征向量；将所述多个预定时间点的训练磁珠筛选图像分别通过所述包含图像块嵌入层的ViT模型以得到多个训练磁珠筛选图像特征向量；将所述多个训练磁珠筛选图像特征向量排列为训练一维特征向量后通过所述多尺度邻域特征提取模块以得到训练磁珠筛选时序特征向量；对所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量进行关联编码以得到训练协同特征矩阵；对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵；将所述优化后训练协同特征矩阵通过分类器以得到分类损失函数值；以及，基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
在一个示例中，在上述基于抗体偶联磁珠的细胞筛选系统100中，对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵，包括：以如下优化公式对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化后训练协同特征矩阵；其中，所述优化公式为：
其中，M是所述训练协同特征矩阵，ve1到ven是所述训练协同特征矩阵进行本征分解后得到的n个本征值，Me为所述n个本征值沿对角线排列所得到的本征单位化矩阵，其为对角矩阵，d(Me,M)为所述本征单位化矩阵与所述训练协同特征矩阵之间的距离，Me是所述优化后训练协同特征矩阵，表示矩阵乘，/>表示矩阵和，⊙表示按位置点乘。
这里，本领域技术人员可以理解，上述基于抗体偶联磁珠的细胞筛选系统100中的各个模块的具体功能和操作已经在上面参考图2到图9的基于抗体偶联磁珠的细胞筛选方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于抗体偶联磁珠的细胞筛选系统100可以实现在各种无线终端中，例如具有基于抗体偶联磁珠的细胞筛选算法的服务器等。在一个示例中，根据本申请实施例的基于抗体偶联磁珠的细胞筛选系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于抗体偶联磁珠的细胞筛选系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于抗体偶联磁珠的细胞筛选系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于抗体偶联磁珠的细胞筛选系统100与该无线终端也可以是分立的设备，并且该基于抗体偶联磁珠的细胞筛选系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (8)

1.一种基于抗体偶联磁珠的细胞筛选方法，其特征在于，包括：
获取预定时间段内多个预定时间点的流体静压值以及所述多个预定时间点的磁珠筛选图像；
将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量；
将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量；
将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量；
对所述磁珠筛选时序特征向量和所述静压时序特征向量进行关联编码以得到协同特征矩阵；以及
将所述协同特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的流体静压值应增大或应减小；
其中，将所述多个预定时间点的流体静压值按照时间维度排列为静压输入向量后通过包含一维卷积层和全连接层的时序编码器以得到静压时序特征向量，包括：
使用所述时序编码器的全连接层以如下全连接编码公式对所述静压输入向量进行全连接编码以提取出所述静压输入向量中各个位置的特征值的高维隐含特征，其中，所述全连接编码公式为：，其中/>是所述静压输入向量，/>是输出向量，/>是权重矩阵，/>是偏置向量，/>表示矩阵乘；
使用所述时序编码器的一维卷积层以如下一维编码公式对所述静压输入向量进行一维卷积编码以提取出所述静压输入向量中各个位置的特征值间的高维隐含关联特征，其中，所述一维编码公式为：
其中，为卷积核在/>方向上的宽度、/>为卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵，/>为卷积核的尺寸，/>表示所述静压输入向量，/>表示对所述静压输入向量进行一维卷积编码。
2.根据权利要求1所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，将所述多个预定时间点的磁珠筛选图像分别通过包含图像块嵌入层的ViT模型以得到多个磁珠筛选图像特征向量，包括：
分别对所述多个预定时间点的磁珠筛选图像进行图像分块以得到多个磁珠筛选图像块的序列；
使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列；以及
将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量。
3.根据权利要求2所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，使用所述图像块嵌入层分别对所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块进行嵌入化以得到多个磁珠筛选图像块嵌入向量的序列，包括：
将所述多个磁珠筛选图像块的序列中各个磁珠筛选图像块分别展开为一维磁珠筛选输入向量以得到多个一维磁珠筛选输入向量；以及
使用所述图像块嵌入层对所述多个一维磁珠筛选输入向量中各个一维磁珠筛选输入向量进行全连接编码以得到所述多个磁珠筛选图像块嵌入向量的序列。
4.根据权利要求3所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，将所述多个磁珠筛选图像块嵌入向量的序列通过所述ViT模型以得到所述多个磁珠筛选图像特征向量，包括：
将所述多个磁珠筛选图像块嵌入向量的序列进行一维排列以得到第一磁珠筛选特征向量；
计算所述第一磁珠筛选特征向量与所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵；
分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵；
将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值；以及
分别以所述多个第一概率值中各个第一概率值作为权重对所述多个磁珠筛选图像块嵌入向量的序列中各个磁珠筛选图像块嵌入向量进行加权以得到所述多个磁珠筛选图像特征向量。
5.根据权利要求4所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
6.根据权利要求5所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，将所述多个磁珠筛选图像特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到磁珠筛选时序特征向量，包括：
使用所述多尺度邻域特征提取模块的第一卷积层对所述一维特征向量进行一维卷积编码以得到第一尺度磁珠筛选特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；
使用所述多尺度邻域特征提取模块的第二卷积层对所述一维特征向量进行一维卷积编码以得到第二尺度磁珠筛选特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及
使用所述多尺度邻域特征提取模块的多尺度特征融合层将所述第一尺度磁珠筛选特征向量和所述第二尺度磁珠筛选特征向量进行级联以得到所述磁珠筛选时序特征向量。
7.根据权利要求6所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，还包括训练步骤：对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练；
其中，所述训练步骤，包括：
获取训练数据，所述训练数据包括：预定时间段内多个预定时间点的训练流体静压值、所述多个预定时间点的训练磁珠筛选图像，以及，当前时间点的流体静压值应增大或应减小的真实值；
将所述多个预定时间点的训练流体静压值按照时间维度排列为训练静压输入向量后通过所述包含一维卷积层和全连接层的时序编码器以得到训练静压时序特征向量；
将所述多个预定时间点的训练磁珠筛选图像分别通过所述包含图像块嵌入层的ViT模型以得到多个训练磁珠筛选图像特征向量；
将所述多个训练磁珠筛选图像特征向量排列为训练一维特征向量后通过所述多尺度邻域特征提取模块以得到训练磁珠筛选时序特征向量；
对所述训练磁珠筛选时序特征向量和所述训练静压时序特征向量进行关联编码以得到训练协同特征矩阵；
对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵；
将所述优化后训练协同特征矩阵通过分类器以得到分类损失函数值；以及
基于所述分类损失函数值并通过梯度下降的方向传播来对所述包含一维卷积层和全连接层的时序编码器、所述包含图像块嵌入层的ViT模型、所述多尺度邻域特征提取模块和所述分类器进行训练。
8.根据权利要求7所述的基于抗体偶联磁珠的细胞筛选方法，其特征在于，对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到优化后训练协同特征矩阵，包括：
以如下优化公式对所述训练协同特征矩阵进行本征单位化的逐位位移关联匹配优化以得到所述优化后训练协同特征矩阵；
其中，所述优化公式为：
其中，是所述训练协同特征矩阵，/>到/>是所述训练协同特征矩阵进行本征分解后得到的/>个本征值，/>为所述/>个本征值沿对角线排列所得到的本征单位化矩阵，其为对角矩阵，/>为所述本征单位化矩阵与所述训练协同特征矩阵之间的距离，/>是所述优化后训练协同特征矩阵，/>表示矩阵乘，/>表示矩阵和，/>表示按位置点乘。
CN202310376913.2A 2023-04-10 2023-04-10 一种基于抗体偶联磁珠的细胞筛选方法 Active CN116312809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310376913.2A CN116312809B (zh) 2023-04-10 2023-04-10 一种基于抗体偶联磁珠的细胞筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310376913.2A CN116312809B (zh) 2023-04-10 2023-04-10 一种基于抗体偶联磁珠的细胞筛选方法

Publications (2)

Publication Number Publication Date
CN116312809A CN116312809A (zh) 2023-06-23
CN116312809B true CN116312809B (zh) 2023-08-29

Family

ID=86830609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310376913.2A Active CN116312809B (zh) 2023-04-10 2023-04-10 一种基于抗体偶联磁珠的细胞筛选方法

Country Status (1)

Country Link
CN (1) CN116312809B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007035585A2 (en) * 2005-09-15 2007-03-29 Artemis Health, Inc. Systems and methods for enrichment of analytes
CN101382490A (zh) * 2007-09-04 2009-03-11 中国科学院大连化学物理研究所 一种用于细胞水平高内涵药物筛选的方法
CN101495868A (zh) * 2006-07-28 2009-07-29 博适公司 利用磁性颗粒进行受体结合试验的装置和方法
CN110456077A (zh) * 2019-09-12 2019-11-15 太仓极光克赛生物技术有限公司 一种偶联抗EpCAM抗体的免疫磁珠富集检测CTCs的方法
CN111426533A (zh) * 2010-08-18 2020-07-17 压力生物科技公司 流通式高静压的微流样本的预处理设备及其相关方法
CN111738318A (zh) * 2020-06-11 2020-10-02 大连理工大学 一种基于图神经网络的超大图像分类方法
CN114600172A (zh) * 2019-08-30 2022-06-07 朱诺治疗学股份有限公司 用于将细胞分类的机器学习方法
CN115561462A (zh) * 2021-07-01 2023-01-03 苏州系统医学研究所 基于细胞粘连作用的膜蛋白相互作用筛选平台

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2583741B (en) * 2019-05-08 2022-03-16 Univ Newcastle Kinase screening assays

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007035585A2 (en) * 2005-09-15 2007-03-29 Artemis Health, Inc. Systems and methods for enrichment of analytes
CN101495868A (zh) * 2006-07-28 2009-07-29 博适公司 利用磁性颗粒进行受体结合试验的装置和方法
CN101382490A (zh) * 2007-09-04 2009-03-11 中国科学院大连化学物理研究所 一种用于细胞水平高内涵药物筛选的方法
CN111426533A (zh) * 2010-08-18 2020-07-17 压力生物科技公司 流通式高静压的微流样本的预处理设备及其相关方法
CN114600172A (zh) * 2019-08-30 2022-06-07 朱诺治疗学股份有限公司 用于将细胞分类的机器学习方法
CN110456077A (zh) * 2019-09-12 2019-11-15 太仓极光克赛生物技术有限公司 一种偶联抗EpCAM抗体的免疫磁珠富集检测CTCs的方法
CN111738318A (zh) * 2020-06-11 2020-10-02 大连理工大学 一种基于图神经网络的超大图像分类方法
CN115561462A (zh) * 2021-07-01 2023-01-03 苏州系统医学研究所 基于细胞粘连作用的膜蛋白相互作用筛选平台

Also Published As

Publication number Publication date
CN116312809A (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
US10275719B2 (en) Hyper-parameter selection for deep convolutional networks
EP3289528B1 (en) Filter specificity as training criterion for neural networks
KR102595399B1 (ko) 미지의 클래스들의 검출 및 미지의 클래스들에 대한 분류기들의 초기화
CN108027899B (zh) 用于提高经训练的机器学习模型的性能的方法
KR102582194B1 (ko) 선택적 역전파
CN111311538B (zh) 一种基于卷积神经网络的多尺度轻量化道路路面检测方法
US20170032247A1 (en) Media classification
WO2016118257A1 (en) Model compression and fine-tuning
CN112329885A (zh) 模型训练方法、装置以及计算机可读存储介质
US11790232B2 (en) Method and apparatus with neural network data input and output control
CN116824481B (zh) 基于图像识别的变电站巡检方法及其系统
CN116597198A (zh) 一种节能环保陶瓷砂锅的制备方法
CN116312809B (zh) 一种基于抗体偶联磁珠的细胞筛选方法
CN116309596B (zh) 基于微流控芯片的ctc细胞检测方法及其系统
WO2021158830A1 (en) Rounding mechanisms for post-training quantization
CN116520154A (zh) 锂电池极片检测的性能评估方法及其系统
US20240135708A1 (en) Permutation invariant convolution (pic) for recognizing long-range activities
US20230281509A1 (en) Test-time adaptation with unlabeled online data
US20220159278A1 (en) Skip convolutions for efficient video processing
EP4124997A1 (en) Computer-implemented method for determining at least one updated model parameter
CN116244643A (zh) 多标签分类模型的训练方法、装置、设备和存储介质
TW202326510A (zh) 持續的兩階段活動辨識
CN116420686A (zh) 自动养蚕机智能喂叶方法及其系统
WO2023167736A1 (en) Test-time adaptation with unlabeled online data
CN116861333A (zh) 智慧公租房管理系统及其方法

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