CN117409867A - 一种基于深度学习的iPSCs定向分化调控系统及调控方法 - Google Patents
一种基于深度学习的iPSCs定向分化调控系统及调控方法 Download PDFInfo
- Publication number
- CN117409867A CN117409867A CN202311392312.7A CN202311392312A CN117409867A CN 117409867 A CN117409867 A CN 117409867A CN 202311392312 A CN202311392312 A CN 202311392312A CN 117409867 A CN117409867 A CN 117409867A
- Authority
- CN
- China
- Prior art keywords
- differentiation
- parameter
- stem cells
- amount
- parameters
- 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.)
- Granted
Links
- 230000004069 differentiation Effects 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000033228 biological regulation Effects 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 210000000130 stem cell Anatomy 0.000 claims abstract description 130
- 210000001082 somatic cell Anatomy 0.000 claims abstract description 56
- 238000013210 evaluation model Methods 0.000 claims abstract description 27
- 230000006907 apoptotic process Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 46
- 238000012795 verification Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 238000010008 shearing Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims 1
- 230000006698 induction Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 238000004904 shortening Methods 0.000 abstract description 2
- 239000003181 biological factor Substances 0.000 description 5
- 210000004027 cell Anatomy 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 102000040945 Transcription factor Human genes 0.000 description 2
- 108091023040 Transcription factor Proteins 0.000 description 2
- 230000024245 cell differentiation Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000007877 drug screening Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 210000004263 induced pluripotent stem cell Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 150000003384 small molecules Chemical class 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000028993 immune response Effects 0.000 description 1
- 239000000411 inducer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003389 potentiating effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N5/00—Undifferentiated human, animal or plant cells, e.g. cell lines; Tissues; Cultivation or maintenance thereof; Culture media therefor
- C12N5/06—Animal cells or tissues; Human cells or tissues
- C12N5/0602—Vertebrate cells
- C12N5/0696—Artificially induced pluripotent stem cells, e.g. iPS
-
- 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
- G16B45/00—ICT specially adapted for bioinformatics-related data visualisation, e.g. displaying of maps or networks
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12N—MICROORGANISMS OR ENZYMES; COMPOSITIONS THEREOF; PROPAGATING, PRESERVING, OR MAINTAINING MICROORGANISMS; MUTATION OR GENETIC ENGINEERING; CULTURE MEDIA
- C12N2510/00—Genetically modified cells
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biotechnology (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Zoology (AREA)
- General Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Genetics & Genomics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Transplantation (AREA)
- Theoretical Computer Science (AREA)
- Cell Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Microbiology (AREA)
- Developmental Biology & Embryology (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明属于iPSCs定向分化调控技术领域，具体涉及一种基于深度学习的iPSCs定向分化调控系统及调控方法。本发明在体细胞诱导分化的过程中，实时统计干细胞的凋亡量，以此来确定干细胞的有效分化量，为评估模型的执行提供相应的数据支持，而在体细胞被诱导分化至干细胞需求量之后，会解除对其施加生物力因素，并统计后续其在自然状态下的干细胞有效分化量，避免因生物力因素诱导过程中缩短干细胞凋亡周期而导致标准参数的输出结果出现误差，之后以诱导完成后体细胞的有效分化量为依据确定最优生物力因素，从而使得iPSCs定向分化的调控效果更佳。
Description
技术领域
本发明属于iPSCs定向分化调控技术领域，具体涉及一种基于深度学习的iPSCs定向分化调控系统及调控方法。
背景技术
诱导多能干细胞是一种具有自我更新能力和多向分化潜能的细胞，可以分化为体内所有类型的细胞，由于其独特的生物学特性，iPSCs在再生医学、疾病模型构建和药物筛选等领域具有广泛的应用前景，传统的iPSCs分化方法主要依赖于化学诱导剂或基因转导等手段，但这些方法存在分化效率低、分化方向不可控制、可能引发免疫反应等问题，近年来，随着人工智能技术的发展，特别是深度学习技术的应用，为iPSCs的定向分化提供了新的可能。
但是，现有技术中利用生物力因素诱导iPSCs定向分化时，往往只是关注其最终的干细胞分化量，但是生物力因素也可能会导致干细胞的凋亡周期缩短，即使此方式能够得到足量的干细胞，但是，由于其凋亡周期缩短的影响，便极可能得到干细胞无法得到有效的利用，基于此，本方案提供了一种能够在体细胞诱导分化完成后，解除生物力因素，以诱导完成后体细胞的有效分化量为依据确定最优生物力因素的方法。
发明内容
本发明的目的是提供一种基于深度学习的iPSCs定向分化调控系统及调控方法，能够在体细胞诱导分化完成后，解除生物力因素，以诱导完成后体细胞的有效分化量为依据确定最优生物力因素。
本发明采取的技术方案具体如下：
一种基于深度学习的iPSCs定向分化调控方法，包括：
获取体细胞的生物力信息，其中，所述生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
实时获取所述生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将所述分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
将所述基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除所述待校验参数对应体细胞的生物力信息；
将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
在一种优选方案中，依据所述生物力信息诱导体细胞向干细胞分化时，实时获取所述干细胞的凋亡量，并将其标定为干扰参数；
获取干细胞的分化总量，并与所述干扰参数进行做差处理，且将其做差结果标定为干细胞有效分化量。
在一种优选方案中，获取干细胞有效分化量时，以所述体细胞的分化起点为起始节点构建监控时段，并在所述监控时段内设置多个采样节点，并实时统计各个所述采样节点下的干细胞有效分化量，再将其标定为待评估参数，且同步汇总为待评估数据集。
在一种优选方案中，所述将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率的步骤，包括：
获取所述待评估参数；
从所述评估模型中调用评估函数；
将所述待评估参数输入至评估函数中，并将其输出结果标定为拉伸力参数、压缩力参数以及剪切力参数对应的分化速率。
在一种优选方案中，将所述分化速率取值最大的生物力信息标定为基准参数之前的步骤，包括：
实时获取所述拉伸力参数、压缩力参数以及剪切力参数对应的干细胞有效分化量，并将其标定为待比对参数；
将所述待比对参数与干细胞需求分化量进行比较；
若所述待比对参数大于或等于干细胞需求分化量，则统计该所述生物力信息下干细胞的分化速率；
若所述待比对参数小于干细胞需求分化量，则将所述待比对参数对应的生物力信息筛除，且不统计其对应的干细胞分化速率。
在一种优选方案中，所述解除所述待校验参数对应体细胞的生物力信息之后的步骤，包括：
以所述生物力信息的解除节点为起始节点，构建取样时段；
在所述取样时段内等距设置多个取样节点，并实时获取所述取样节点下的干细胞有效分化量，且将其标定为待校验参数；
获取相邻所述取样节点下待校验参数的波动量，并将其输入至评价模型中，判断所述取样节点下的干细胞有效分化量是否稳定分化；
若是，则停止统计其对应的干细胞有效分化量为待校验参数；
若否，则继续统计其对应的干细胞有效分化量为待校验参数。
在一种优选方案中，所述获取相邻所述取样节点下待校验参数的波动量，并将其输入至评价模型中，判断所述取样节点下的干细胞有效分化量是否稳定分化的步骤，包括：
获取相邻所述取样节点下待校验参数的波动量，并将其标定为波动参数；
从所述评价模型中调用评价阈值，且将所述评价阈值与波动参数进行比较；
若所述波动参数小于或等于评价阈值，则以该所述波动参数的构建评价区间，并在所述评价区间内的波动参数均小于或等于评价阈值时，判定所述取样节点下的干细胞稳定分化，且将所述评价区间的起点标定为稳定分化的起始节点；
若所述波动参数大于评价阈值，则直接判定所述取样节点下的干细胞未稳定分化。
在一种优选方案中，所述将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量的步骤，包括：
获取所述待校验参数、校验间隔以及当前节点下的干细胞有效分化量；
从所述校验模型中调用校验函数；
将所述待校验参数、校验间隔以及当前节点下的干细胞有效分化量一同输入至校验函数中，并依据其输出结果确定标准分化量。
本发明还提供了，一种基于深度学习的iPSCs定向分化调控系统，应用于上述的基于深度学习的iPSCs定向分化调控方法，包括：
第一获取模块，所述第一获取模块用于获取体细胞的生物力信息，其中，所述生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
第二获取模块，所述第二获取模块用于实时获取所述生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
评估模块，所述评估模块用于将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将所述分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
调控模块，所述调控模块用于将所述基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除所述待校验参数对应体细胞的生物力信息；
校验模块，所述校验模块用于将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
以及，一种基于深度学习的iPSCs定向分化调控终端，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于深度学习的iPSCs定向分化调控方法。
本发明取得的技术效果为：
本发明在体细胞诱导分化的过程中，实时统计干细胞的凋亡量，以此来确定干细胞的有效分化量，为评估模型的执行提供相应的数据支持，而在体细胞被诱导分化至干细胞需求量之后，会解除对其施加生物力因素，并统计后续其在自然状态下的干细胞有效分化量，避免因生物力因素诱导过程中缩短干细胞凋亡周期而导致标准参数的输出结果出现误差，之后以诱导完成后体细胞的有效分化量为依据确定最优生物力因素，从而使得iPSCs定向分化的调控效果更佳。
附图说明
图1是本发明所提供的方法整体流程图；
图2是本发明所提供的评估模型执行流程图；
图3是本发明所提供的生物力信息筛选流程图；
图4是本发明所提供的待校验参数取样流程图；
图5是本发明所提供的校验模型的执行流程图；
图6是本发明所提供的系统模块图；
图7是本发明所提供的终端结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个较佳的实施方式中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
请参阅图1所示，本发明提供了一种基于深度学习的iPSCs定向分化调控方法，包括：
S1、获取体细胞的生物力信息，其中，生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
S2、实时获取生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
S3、将待评估参数输入至评估模型中，得到干细胞需求分化量下，拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
S4、将基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除待校验参数对应体细胞的生物力信息；
S5、将待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
如上述步骤S1-S5所述，诱导多能干细胞是一种新型的干细胞类型，具有无限的自我更新能力和分化为体内所有细胞类型的潜能，iPSCs的出现为再生医学、疾病模型构建和药物筛选等领域提供了新的研究工具和应用前景，然而，如何有效地将iPSCs定向分化为特定类型的细胞仍然是一个挑战，在过去的研究中，科学家们主要依赖于化学小分子或转录因子来诱导iPSCs的定向分化，这些方法虽然在一定程度上能够实现目标细胞的生成，但是存在一些问题，例如，化学小分子的副作用大，且对分化过程的调控不够精细；转录因子的使用需要精确的操作，且可能存在效率低下的问题，近年在iPSCs定向分化效率研究领域已有较多iPSCs力学特性方面的研究，为iPSCs定向分化效率的提供新的科学依据，本实施例中，首先采集对体细胞施加的生物力信息，生物力信息包括拉伸力参数、压缩力参数以及剪切力参数，在诱导体细胞分化时，会设置多组体细胞，并且每组体细胞分别对应一个生物力信息，而后实时统计各个生物力信息下的干细胞有效分化量，本实施方式将其标定为待评估参数，通过将待评估参数输入至评估模型中，能够测算出干细胞需求分化量下，各个生物力信息对应的分化速率，再将分化率取值最大的生物力信息标定为基准参数，其它生物力信息则就被标定为待评价参数，之后解除体细胞的生物力信息，使其在自然状态下进行分化，其目的在于防止生物力信息的影响下，部分已分化的干细胞趋于凋亡而影响分化结果，故而解除待校验参数对应体细胞的生物力信息之后，会将待校验参数输入至校验模型中，以此来输出标准分化量，最后以对应标准分化量取值最大的生物力信息为标准参数即可，至此，便可完成对体细胞向干细胞分化的生物力调控，另外，由于体细胞的分化方向不一致，生物力信息的影响也是不相同的，具体应以实际需求的分化方向先行诱导体细胞，后续以生物力信息增加体细胞的分化速率，使其能够快速的分化出所需的有效干细胞。
在一个较佳的实施方式中，依据生物力信息诱导体细胞向干细胞分化时，实时获取干细胞的凋亡量，并将其标定为干扰参数；
获取干细胞的分化总量，并与干扰参数进行做差处理，且将其做差结果标定为干细胞有效分化量。
在该实施方式中，诱导体细胞香干细胞分化时，生物力信息不仅能够加快体细胞的分化速率，还可能导致已分化的干细胞加速凋亡，故而在实际应用中，需要统计该诱导过程中的干细胞凋亡量，本实施方式将其标定为干扰参数，而后将其与干细胞的分化总量进行做差处理，便可得到干细胞的有效分化量，为后续输出基准参数和标准参数提供准确的数据支持。
在一个较佳的实施方式中，获取干细胞有效分化量时，以体细胞的分化起点为起始节点构建监控时段，并在监控时段内设置多个采样节点，并实时统计各个采样节点下的干细胞有效分化量，再将其标定为待评估参数，且同步汇总为待评估数据集。
在该实施方式中，体细胞在生物力信息的作用下开始分化时，以其分化起点为起始节点构建监控时段，并且在监控时段内设置多个用于采集干细胞有效分化量的采样节点，本实施方式将这些干细胞有效分化量标定为待评估参数，且还会同步汇总为待评估数据集，后续在待评估数据集中的待评估参数的数量达到所需数量之后，便会输入至评估模型中，以此为测算生物力信息的分化速率提供相应的数据支持。
在一个较佳的实施方式中，请参阅附图2，将待评估参数输入至评估模型中，得到干细胞需求分化量下，拉伸力参数、压缩力参数以及剪切力参数对应的分化速率的步骤，包括：
S301、获取待评估参数；
S302、从评估模型中调用评估函数；
S303、将待评估参数输入至评估函数中，并将其输出结果标定为拉伸力参数、压缩力参数以及剪切力参数对应的分化速率。
如上述步骤S301-S303所述，在待评估参数确定之后，会同步从评估模型中调用评估函数，并将待评估参数输入至评估函数中，其中，评估函数的表达式为：，式中，/>表示分化速率，/>表示待评估参数，/>表示分化时间，基于此式，可以直接确定拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，为后续确定基准参数以及待评价参数提供相应的数据支持。
在一个较佳的实施方式中，请参阅附图3，将分化速率取值最大的生物力信息标定为基准参数之前的步骤，包括：
S401、实时获取拉伸力参数、压缩力参数以及剪切力参数对应的干细胞有效分化量，并将其标定为待比对参数；
S402、将待比对参数与干细胞需求分化量进行比较；
若待比对参数大于或等于干细胞需求分化量，则统计该生物力信息下干细胞的分化速率；
若待比对参数小于干细胞需求分化量，则将待比对参数对应的生物力信息筛除，且不统计其对应的干细胞分化速率。
如上述步骤S401-S402所述，在确定基准参数之前，还需要对拉伸力参数、压缩力参数以及剪切力参数对应的干细胞有效分化量进行先行比对，在其无法达到干细胞需求分化量的情况下，则就直接将其对应的生物力信息筛除，反之，则会将该生物力信息下干细胞的分化速率保留下来，以此减少基准参数以及待评价参数确定过程中的干扰因素。
在一个较佳的实施方式中，请参阅附图4，解除待校验参数对应体细胞的生物力信息之后的步骤，包括：
S403、以生物力信息的解除节点为起始节点，构建取样时段；
S404、在取样时段内等距设置多个取样节点，并实时获取取样节点下的干细胞有效分化量，且将其标定为待校验参数；
S405、获取相邻取样节点下待校验参数的波动量，并将其输入至评价模型中，判断取样节点下的干细胞有效分化量是否稳定分化；
若是，则停止统计其对应的干细胞有效分化量为待校验参数；
若否，则继续统计其对应的干细胞有效分化量为待校验参数。
如上述步骤S403-S405所述，在基准参数以及待评价参数确定之后，即表明干细胞已经分化至干细胞需求分化量，此时便可以解除体细胞的外置生物力信息，使得体细胞在自然状态下自然分化，以此来筛除受生物力信息影响而区域凋亡的干细胞，首先需要以生物力信息的解除节点为起始节点构建取样时段，而后再取样时段内设置多个取样节点，并实时获取各个取样节点下的干细胞有效分化量，并通过比较相邻取样节点下待校验参数的波动量来确定干细胞是否稳定分化，在其稳定分化之后，则不再统计干细胞有效分化量，可直接将其确定为标准分化量，反之，则需要继续统计干细胞的干细胞有效分化量为待校验参数，为校验模型的执行提供相应的数据支持。
在一个较佳的实施方式中，获取相邻取样节点下待校验参数的波动量，并将其输入至评价模型中，判断取样节点下的干细胞有效分化量是否稳定分化的步骤，包括：
Stp1、获取相邻取样节点下待校验参数的波动量，并将其标定为波动参数；
Stp1、从评价模型中调用评价阈值，且将评价阈值与波动参数进行比较；
若波动参数小于或等于评价阈值，则以该波动参数的构建评价区间，并在评价区间内的波动参数均小于或等于评价阈值时，判定取样节点下的干细胞稳定分化，且将评价区间的起点标定为稳定分化的起始节点；
若波动参数大于评价阈值，则直接判定取样节点下的干细胞未稳定分化。
如上述步骤Stp1-Stp2所述，在相邻取样节点下待校验参数的波动量确定之后，将该波动量标定为波动参数，而后再从评价模型中调用评价阈值，该评价阈值用于与波动参数进行比较，且在波动参数小于或等于评价阈值时构建评价区间，该评价区间的设置是为了判断波动参数小于或等于评价阈值是否具有连续性，故而在评价区间内的波动参数均小于或等于评价阈值时，便可以直接判定干细胞稳定分化，同时还会将评价区间的起点标定为干细胞稳定分化的起始节点，而若是评价区间内的波动参数存在大于评价阈值的情况，则就会判定其为瞬时波动，也就表明该取样节点下的干细胞为稳定分化，还需要继续采集干细胞的有效分化量作为待校验参数，为后续校验模型的执行提供相应的数据支持。
在一个较佳的实施方式中，请参阅附图5，将待校验参数输入至校验模型中，且将校验结果标定为标准分化量的步骤，包括：
S501、获取待校验参数、校验间隔以及当前节点下的干细胞有效分化量；
S502、从校验模型中调用校验函数；
S503、将待校验参数、校验间隔以及当前节点下的干细胞有效分化量一同输入至校验函数中，并依据其输出结果确定标准分化量。
如上述步骤S501-S503所述，校验模型执行时，首先从校验模型中调用校验函数，而后将待校验参数、校验间隔以及当前节点下的干细胞有效分化量一同输入至校验函数中，其中，校验函数的表达式为：，式中，/>表示待评估分化量，/>表示当前节点下的干细胞有效分化量，/>表示校验间隔，/>表示待校验参数的统计时长，/>和/>表示相邻的待校验参数，/>表示待校验参数的数量，基于此式，可以预测出所需节点下的干细胞有效分化量，另外，需要说明的是，为保证校验函数输出结果的有效性，在取样时段内设置了多个平行时段，每个平行时段内的待校验参数的数量保持一致，之后再将待评估分化量依据波动参数的评价方式执行校验，从而便可提前输出标准分化量，以此能够快速实现确定标准分化量的过程。
如图6所示，本发明还提供了，一种基于深度学习的iPSCs定向分化调控系统，应用于上述的基于深度学习的iPSCs定向分化调控方法，包括：
第一获取模块，第一获取模块用于获取体细胞的生物力信息，其中，生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
第二获取模块，第二获取模块用于实时获取生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
评估模块，评估模块用于将待评估参数输入至评估模型中，得到干细胞需求分化量下，拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
调控模块，调控模块用于将基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除待校验参数对应体细胞的生物力信息；
校验模块，校验模块用于将待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
上述中，在该调控系统执行时，首先通过第一获取模块获取用于诱导体细胞分化的生物力信息，其中，生物力信息包括拉伸力参数、压缩力参数以及剪切力参数，而后利用第二获取模块来实时获取生物力信息下的干细胞有效分化量，并标定为待评估参数，再通过评估模块对待评估参数进行测算分析，以此确定生物力信息下体细胞的分化速率，并以此分化速率来确定基准参数和待评价参数，其中，基准参数的校验优先级高于待评价参数的校验优先级，通过调控模块的执行，在体细胞分化至干细胞的需求分化量之后，会解除对应体细胞的生物力，后续再通过校验模块的执行，便可确定标准分化量，再以取值最大的标准分化量对应的生物力信息标定为标准参数，从而便可以快速的确定该分化方向下与体细胞相适配的生物力。
请参阅附图7，一种基于深度学习的iPSCs定向分化调控终端，包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行上述的基于深度学习的iPSCs定向分化调控方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。
Claims (10)
1.一种基于深度学习的iPSCs定向分化调控方法，其特征在于：包括：
获取体细胞的生物力信息，其中，所述生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
实时获取所述生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将所述分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
将所述基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除所述待校验参数对应体细胞的生物力信息；
将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
2.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：依据所述生物力信息诱导体细胞向干细胞分化时，实时获取所述干细胞的凋亡量，并将其标定为干扰参数；
获取干细胞的分化总量，并与所述干扰参数进行做差处理，且将其做差结果标定为干细胞有效分化量。
3.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：获取干细胞有效分化量时，以所述体细胞的分化起点为起始节点构建监控时段，并在所述监控时段内设置多个采样节点，并实时统计各个所述采样节点下的干细胞有效分化量，再将其标定为待评估参数，且同步汇总为待评估数据集。
4.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：所述将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率的步骤，包括：
获取所述待评估参数；
从所述评估模型中调用评估函数；
将所述待评估参数输入至评估函数中，并将其输出结果标定为拉伸力参数、压缩力参数以及剪切力参数对应的分化速率。
5.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：将所述分化速率取值最大的生物力信息标定为基准参数之前的步骤，包括：
实时获取所述拉伸力参数、压缩力参数以及剪切力参数对应的干细胞有效分化量，并将其标定为待比对参数；
将所述待比对参数与干细胞需求分化量进行比较；
若所述待比对参数大于或等于干细胞需求分化量，则统计该所述生物力信息下干细胞的分化速率；
若所述待比对参数小于干细胞需求分化量，则将所述待比对参数对应的生物力信息筛除，且不统计其对应的干细胞分化速率。
6.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：所述解除所述待校验参数对应体细胞的生物力信息之后的步骤，包括：
以所述生物力信息的解除节点为起始节点，构建取样时段；
在所述取样时段内等距设置多个取样节点，并实时获取所述取样节点下的干细胞有效分化量，且将其标定为待校验参数；
获取相邻所述取样节点下待校验参数的波动量，并将其输入至评价模型中，判断所述取样节点下的干细胞有效分化量是否稳定分化；
若是，则停止统计其对应的干细胞有效分化量为待校验参数；
若否，则继续统计其对应的干细胞有效分化量为待校验参数。
7.根据权利要求6所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：所述获取相邻所述取样节点下待校验参数的波动量，并将其输入至评价模型中，判断所述取样节点下的干细胞有效分化量是否稳定分化的步骤，包括：
获取相邻所述取样节点下待校验参数的波动量，并将其标定为波动参数；
从所述评价模型中调用评价阈值，且将所述评价阈值与波动参数进行比较；
若所述波动参数小于或等于评价阈值，则以该所述波动参数的构建评价区间，并在所述评价区间内的波动参数均小于或等于评价阈值时，判定所述取样节点下的干细胞稳定分化，且将所述评价区间的起点标定为稳定分化的起始节点；
若所述波动参数大于评价阈值，则直接判定所述取样节点下的干细胞未稳定分化。
8.根据权利要求1所述的一种基于深度学习的iPSCs定向分化调控方法，其特征在于：所述将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量的步骤，包括：
获取所述待校验参数、校验间隔以及当前节点下的干细胞有效分化量；
从所述校验模型中调用校验函数；
将所述待校验参数、校验间隔以及当前节点下的干细胞有效分化量一同输入至校验函数中，并依据其输出结果确定标准分化量。
9.一种基于深度学习的iPSCs定向分化调控系统，应用于权利要求1至8中任意一项所述的基于深度学习的iPSCs定向分化调控方法，其特征在于：包括：
第一获取模块，所述第一获取模块用于获取体细胞的生物力信息，其中，所述生物力信息包括拉伸力参数、压缩力参数以及剪切力参数；
第二获取模块，所述第二获取模块用于实时获取所述生物力信息下的干细胞有效分化量，并将其标定为待评估参数；
评估模块，所述评估模块用于将所述待评估参数输入至评估模型中，得到干细胞需求分化量下，所述拉伸力参数、压缩力参数以及剪切力参数对应的分化速率，且将所述分化速率取值最大的生物力信息标定为基准参数，将其它生物力信息标定为待评价参数；
调控模块，所述调控模块用于将所述基准参数以及待评价参数下已分化干细胞的干细胞有效分化量标定为待校验参数，并解除所述待校验参数对应体细胞的生物力信息；
校验模块，所述校验模块用于将所述待校验参数输入至校验模型中，且将校验结果标定为标准分化量，并以取值最大的标准分化量对应的生物力信息标定为标准参数。
10.一种基于深度学习的iPSCs定向分化调控终端，其特征在于：包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至8中任意一项所述的基于深度学习的iPSCs定向分化调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392312.7A CN117409867B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的iPSCs定向分化调控系统及调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311392312.7A CN117409867B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的iPSCs定向分化调控系统及调控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117409867A true CN117409867A (zh) | 2024-01-16 |
| CN117409867B CN117409867B (zh) | 2024-06-21 |
Family
ID=89497584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311392312.7A Active CN117409867B (zh) | 2023-10-25 | 2023-10-25 | 一种基于深度学习的iPSCs定向分化调控系统及调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117409867B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1403586A (zh) * | 2002-09-27 | 2003-03-19 | 浙江大学 | 胚胎干细胞体外定向分化药效筛选模型的构建及应用 |
| WO2005095587A1 (ja) * | 2004-03-31 | 2005-10-13 | Kyoto University | 胚性幹細胞から分化した体性幹細胞の製造方法、及びその用途 |
| US8197462B1 (en) * | 2009-05-18 | 2012-06-12 | Cell Precision, LLC | Method and system for mitigating effects of biomechanical forces on cell, particle and drug based therapies |
| CN106544272A (zh) * | 2016-11-27 | 2017-03-29 | 重庆科技学院 | 一种用于剪切力实验的生物芯片的使用方法 |
| US20190025286A1 (en) * | 2017-07-20 | 2019-01-24 | Seqvera Ltd. Oy | In vitro method for measurement and model-free evaluation of time-invariant biomaterials functions |
| CN112322582A (zh) * | 2020-09-16 | 2021-02-05 | 华东交通大学 | 一种用于脂肪干细胞在模拟体内生长环境下培养及定向分化的生理力学微环境模型 |
| CN115547405A (zh) * | 2022-07-04 | 2022-12-30 | 长春理工大学 | 基于gsa优化神经网络的生物活细胞表面力学特性评估方法 |
| CN116800334A (zh) * | 2023-06-09 | 2023-09-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于模拟光纤通信的数据同步传输优化方法及系统 |
-
2023
- 2023-10-25 CN CN202311392312.7A patent/CN117409867B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1403586A (zh) * | 2002-09-27 | 2003-03-19 | 浙江大学 | 胚胎干细胞体外定向分化药效筛选模型的构建及应用 |
| WO2005095587A1 (ja) * | 2004-03-31 | 2005-10-13 | Kyoto University | 胚性幹細胞から分化した体性幹細胞の製造方法、及びその用途 |
| US8197462B1 (en) * | 2009-05-18 | 2012-06-12 | Cell Precision, LLC | Method and system for mitigating effects of biomechanical forces on cell, particle and drug based therapies |
| CN106544272A (zh) * | 2016-11-27 | 2017-03-29 | 重庆科技学院 | 一种用于剪切力实验的生物芯片的使用方法 |
| US20190025286A1 (en) * | 2017-07-20 | 2019-01-24 | Seqvera Ltd. Oy | In vitro method for measurement and model-free evaluation of time-invariant biomaterials functions |
| CN112322582A (zh) * | 2020-09-16 | 2021-02-05 | 华东交通大学 | 一种用于脂肪干细胞在模拟体内生长环境下培养及定向分化的生理力学微环境模型 |
| CN115547405A (zh) * | 2022-07-04 | 2022-12-30 | 长春理工大学 | 基于gsa优化神经网络的生物活细胞表面力学特性评估方法 |
| CN116800334A (zh) * | 2023-06-09 | 2023-09-22 | 国网吉林省电力有限公司长春供电公司 | 一种基于模拟光纤通信的数据同步传输优化方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| ZHIQIANG WANG: "Effective iPSC differentiation for generation of CAR T cells with canonical T cell phenotype and CAR T function", PROCEEDINGS: AACR ANNUAL MEETING 2021, 31 July 2021 (2021-07-31), pages 1 - 10 * |
| 张跃进: "三维细胞磁力扭曲仪与STED纳米显微镜耦合的细胞生物力学平台构建", 中国博士学位论文全文数据库 (医药卫生科技辑), 31 March 2019 (2019-03-31), pages 080 - 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117409867B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114047452A (zh) | 一种确定电池循环寿命的方法及装置 | |
| CN115274025B (zh) | 锂离子电池浆料黏度预测方法、装置及相关设备 | |
| CN111292851A (zh) | 数据分类方法、装置、计算机设备和存储介质 | |
| CN117409867B (zh) | 一种基于深度学习的iPSCs定向分化调控系统及调控方法 | |
| CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
| CN115879378B (zh) | 一种电芯的膨胀力预测模型的训练方法及装置 | |
| CN110349625B (zh) | 一种人类大脑基因表达时空常模的建立方法 | |
| CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
| US20170004277A1 (en) | Method and non-transitory computer-readable computer program product for identification of effective drugs | |
| CN109187898B (zh) | 水产养殖环境中水质氨氮含量的软测量方法及装置 | |
| CN111161747A (zh) | 基于Tensorflow唤醒模型的预测方法、装置和计算机设备 | |
| CN111311025A (zh) | 一种基于气象相似日的负荷预测方法 | |
| CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
| Mordig et al. | SimReadUntil for benchmarking selective sequencing algorithms on ONT devices | |
| Kawasaki | Accelerating large-scale simulations of cortical neuronal network development | |
| CN112434750A (zh) | 基于卷积神经网络的大坝监测数据发展模式识别方法 | |
| CN117275760A (zh) | 一种用于精准调控ADSCs定向分化的评价系统及评价方法 | |
| CN110146678A (zh) | 一种结构损伤检测系统、方法、装置及可读存储介质 | |
| CN116386878B (zh) | 用于职业健康智能管理平台的处理方法及系统 | |
| WO2024193344A1 (zh) | 核仪表系统指示信号的量化方法、装置、设备和存储介质 | |
| CN118134995B (zh) | 一种狭长面片测量点布置方法、装置、设备及存储介质 | |
| Gazidede | An investigation into effects of temperature distribution on structural dynamics of bridges: A Comparative Study of Finite Element Methods and Field Data | |
| CN117789067B (zh) | 一种基于机器学习的无人机农作物监测方法及系统 | |
| CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 | |
| CN113378881B (zh) | 基于信息熵增益svm模型的指令集识别方法及装置 |
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 |