KR20230109349A - Method and device for classificatin of stem cell using raman spectroscopic analysis - Google Patents
Method and device for classificatin of stem cell using raman spectroscopic analysis Download PDFInfo
- Publication number
- KR20230109349A KR20230109349A KR1020220005214A KR20220005214A KR20230109349A KR 20230109349 A KR20230109349 A KR 20230109349A KR 1020220005214 A KR1020220005214 A KR 1020220005214A KR 20220005214 A KR20220005214 A KR 20220005214A KR 20230109349 A KR20230109349 A KR 20230109349A
- Authority
- KR
- South Korea
- Prior art keywords
- raman
- stem cells
- differentiation
- stem cell
- raman spectroscopy
- Prior art date
Links
- 210000000130 stem cell Anatomy 0.000 title claims abstract description 260
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 231
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004611 spectroscopical analysis Methods 0.000 title claims abstract description 16
- 230000004069 differentiation Effects 0.000 claims abstract description 95
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 25
- 230000012010 growth Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 37
- 238000010801 machine learning Methods 0.000 claims description 30
- 210000004027 cell Anatomy 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 17
- 239000013077 target material Substances 0.000 claims description 10
- 238000012790 confirmation Methods 0.000 claims description 9
- 239000013076 target substance Substances 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004624 confocal microscopy Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000010835 comparative analysis Methods 0.000 abstract description 3
- 210000002901 mesenchymal stem cell Anatomy 0.000 description 14
- 238000010186 staining Methods 0.000 description 8
- 230000001066 destructive effect Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000024245 cell differentiation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 210000001789 adipocyte Anatomy 0.000 description 5
- 150000002632 lipids Chemical class 0.000 description 5
- 238000001237 Raman spectrum Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 239000001963 growth medium Substances 0.000 description 4
- 239000002609 medium Substances 0.000 description 4
- 102000039446 nucleic acids Human genes 0.000 description 4
- 108020004707 nucleic acids Proteins 0.000 description 4
- 150000007523 nucleic acids Chemical class 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 235000018102 proteins Nutrition 0.000 description 4
- 102000004169 proteins and genes Human genes 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 238000007654 immersion Methods 0.000 description 3
- 210000000963 osteoblast Anatomy 0.000 description 3
- 238000011282 treatment Methods 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 102100032528 C-type lectin domain family 11 member A Human genes 0.000 description 2
- 101710167766 C-type lectin domain family 11 member A Proteins 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000002472 endoplasmic reticulum Anatomy 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 239000003102 growth factor Substances 0.000 description 2
- 210000004263 induced pluripotent stem cell Anatomy 0.000 description 2
- 210000004185 liver Anatomy 0.000 description 2
- 210000003712 lysosome Anatomy 0.000 description 2
- 230000001868 lysosomic effect Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000003753 real-time PCR Methods 0.000 description 2
- 238000000790 scattering method Methods 0.000 description 2
- 231100000331 toxic Toxicity 0.000 description 2
- 230000002588 toxic effect Effects 0.000 description 2
- 210000003954 umbilical cord Anatomy 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 description 1
- BELBBZDIHDAJOR-UHFFFAOYSA-N Phenolsulfonephthalein Chemical compound C1=CC(O)=CC=C1C1(C=2C=CC(O)=CC=2)C2=CC=CC=C2S(=O)(=O)O1 BELBBZDIHDAJOR-UHFFFAOYSA-N 0.000 description 1
- 230000011759 adipose tissue development Effects 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- AWUCVROLDVIAJX-UHFFFAOYSA-N alpha-glycerophosphate Natural products OCC(O)COP(O)(O)=O AWUCVROLDVIAJX-UHFFFAOYSA-N 0.000 description 1
- 229960005070 ascorbic acid Drugs 0.000 description 1
- 235000010323 ascorbic acid Nutrition 0.000 description 1
- 239000011668 ascorbic acid Substances 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 210000000601 blood cell Anatomy 0.000 description 1
- 210000002449 bone cell Anatomy 0.000 description 1
- 210000004413 cardiac myocyte Anatomy 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000003763 chloroplast Anatomy 0.000 description 1
- 238000000794 confocal Raman spectroscopy Methods 0.000 description 1
- 238000000942 confocal micrograph Methods 0.000 description 1
- 230000009089 cytolysis Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- UREBDLICKHMUKA-CXSFZGCWSA-N dexamethasone Chemical compound C1CC2=CC(=O)C=C[C@]2(C)[C@]2(F)[C@@H]1[C@@H]1C[C@@H](C)[C@@](C(=O)CO)(O)[C@@]1(C)C[C@@H]2O UREBDLICKHMUKA-CXSFZGCWSA-N 0.000 description 1
- 229960003957 dexamethasone Drugs 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000001654 germ layer Anatomy 0.000 description 1
- 210000003494 hepatocyte Anatomy 0.000 description 1
- 238000003125 immunofluorescent labeling Methods 0.000 description 1
- 238000001000 micrograph Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 210000000663 muscle cell Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 210000004940 nucleus Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003463 organelle Anatomy 0.000 description 1
- 230000009818 osteogenic differentiation Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 229960003531 phenolsulfonphthalein Drugs 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- AWUCVROLDVIAJX-GSVOUGTGSA-N sn-glycerol 3-phosphate Chemical compound OC[C@@H](O)COP(O)(O)=O AWUCVROLDVIAJX-GSVOUGTGSA-N 0.000 description 1
- 231100000419 toxicity Toxicity 0.000 description 1
- 230000001988 toxicity Effects 0.000 description 1
- 150000003672 ureas Chemical class 0.000 description 1
- 238000001262 western blot Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/44—Raman spectrometry; Scattering spectrometry ; Fluorescence spectrometry
- G01J3/4412—Scattering spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
- G01N33/483—Physical analysis of biological material
- G01N33/4833—Physical analysis of biological material of solid biological material, e.g. tissue samples, cell cultures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Hematology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Optics & Photonics (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
라만 분광 분석을 이용한 줄기세포의 분류 방법 및 장치가 제공된다. 본 발명의 일 실시예에 따른 줄기세포의 분류 방법은 라만 분광 검사 모듈 및 분류 장치를 이용해서 줄기세포들을 분류하는 방법에 있어서, 줄기세포들을 포함한 검체를 준비하고 전처리하는 단계, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계, 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계, 줄기세포들의 분화 및 성장 유형을 분류하는 단계, 및 라만 기준 평균 값을 포함하여 상기 줄기세포들의 분화 및 성장 유형을 정량화하는 단계를 포함한다.A method and apparatus for sorting stem cells using Raman spectroscopic analysis are provided. A method of sorting stem cells according to an embodiment of the present invention is a method of classifying stem cells using a Raman spectroscopy module and a sorting device, comprising the steps of preparing and pre-processing a specimen containing stem cells, through Raman spectroscopy. Comparative analysis of Raman spectroscopy spectrum images, comparison of Raman spectroscopy test results with Raman reference average values to evaluate the differentiation direction and state of stem cells, classification of differentiation and growth types of stem cells, and Raman reference average and quantifying the differentiation and growth types of the stem cells by including the values.
Description
본 발명은 라만 분광 분석을 이용한 줄기세포의 분류 방법 및 장치에 관한 것이다. The present invention relates to a method and apparatus for sorting stem cells using Raman spectroscopy.
줄기세포는 신체의 거의 모든 유형의 세포로 분열 및 분화할 수 있는 특성을 가져 현재 치료가 적절치 않거나 치료 방법이 없는 경우 새로운 대안으로 떠오르고 있다. 다만, 줄기세포 하나하나의 분열 및 분화 과정을 분석하기 어렵고, 모든 줄기세포들의 계통 확인도 어려워 임상에서 사용될 경우 안정성에 문제가 생길 가능성이 있다. Stem cells have the ability to divide and differentiate into almost all types of cells in the body, so they are emerging as a new alternative when current treatments are not appropriate or there is no treatment method. However, it is difficult to analyze the division and differentiation process of each stem cell, and it is difficult to identify the lineage of all stem cells, so there is a possibility of stability problems when used in clinical practice.
현재 줄기세포의 분화 특성을 확인하기 위해 사용하고 있는 방법들로는 화학적 염색 분석법(chemical staining assay), 정량적 중합 효소 연쇄 반응(quantitative polymerase chain reaction, qPCR), 웨스턴 블랏 분석법(western blot analysis), 면역 형광 염색법(immunofluorescene staining) 등이 이용되고 있다. Currently, methods used to confirm the differentiation characteristics of stem cells include chemical staining assay, quantitative polymerase chain reaction (qPCR), western blot analysis, and immunofluorescence staining. (immunofluorescene staining) and the like have been used.
하지만, 종래 기술에 따른 줄기세포의 분화 특성 확인 방법들은 세포 파괴적 및 침습적(destructive and invasive)인 방법으로, 세포 고정 요건에 의한 화학적 염색 및 용해 등을 통해 일부 만을 분석하는 것이다. However, methods for confirming the differentiation characteristics of stem cells according to the prior art are cell destructive and invasive methods, and analyze only a part of them through chemical staining and dissolution according to cell fixation requirements.
실제로, 인간 지방질-유래 중간엽 줄기세포(hADMSC, The human adipose-derived mesenchymal stem cells)의 분화는 일반적으로 3주에서 2개월 정도의 긴 시간이 걸리며, 많은 비용이 소비된다. 그러나 분화된 세포는 계통 확인을 위해서 일반적으로 분석 후, 상기 분화된 세포의 재사용이 불가능한 세포 고정 및 용해와 같은 파괴/침습적 공정이 사용된다. 더욱이 기존의 이러한 방법들 중에서 일부는 분해능에 한계가 있으므로 단일 세포 수준의 분석을 수행할 수 없었다. In fact, the differentiation of human adipose-derived mesenchymal stem cells (hADMSCs) generally takes a long time of about 3 weeks to 2 months and is expensive. However, differentiated cells are generally analyzed for phylogenetic identification, and then destruction/invasive processes such as cell fixation and lysis are used, which make it impossible to reuse the differentiated cells. Moreover, some of these existing methods have limited resolution and cannot perform single-cell level analysis.
따라서, 비파괴적이고 줄기세포에 영향을 주지 않는 범위내에서 줄기세포의 분화를 특정 유형으로 정확하게 확인하고 분류할 수 있는 분석 방법들의 개발이 필요하며, 궁극적으로 줄기세포를 재생 치료에 효율적으로 사용하기 위한 진보성 있는 기술들이 요구되고 있다. Therefore, it is necessary to develop analysis methods that can accurately identify and classify the differentiation of stem cells into specific types within a range that is non-destructive and does not affect stem cells, and ultimately, to effectively use stem cells for regenerative treatment Progressive technologies are required.
본 발명이 해결하고자 하는 과제는 라만 분광 분석을 이용한 줄기세포의 분류 방법 및 장치를 제공하는 것이다. An object to be solved by the present invention is to provide a method and apparatus for sorting stem cells using Raman spectroscopic analysis.
또한, 본 발명이 해결하고자 하는 과제는 비파괴적, 비침습적, 비표지 상태로 줄기세포의 분화 방향 및 분열 상태 등을 확인하고 정량화하여, 적절한 치료 시기에 정상적인 줄기세포들을 적용시킬 수 있도록 지원 가능한 줄기세포의 분류 방법 및 장치를 제공하는 것이다. In addition, the problem to be solved by the present invention is to identify and quantify the differentiation direction and division state of stem cells in a non-destructive, non-invasive and non-labeled state, so that normal stem cells can be applied at an appropriate time. It is to provide a cell sorting method and apparatus.
본 발명이 해결하고자 하는 과제들은 이상에서 언급된 과제로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The problems to be solved by the present invention are not limited to the problems mentioned above, and other problems not mentioned will be clearly understood by those skilled in the art from the description below.
상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법은 라만 분광 검사 모듈 및 분류 장치를 이용해서 줄기세포들을 분류하는 방법에 있어서, 상기 줄기세포들을 포함한 검체를 준비하고 전처리하는 단계, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계, 상기 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계, 상기 줄기세포들의 분화 및 성장 유형을 분류하는 단계, 및 상기 라만 기준 평균 값을 포함하여 상기 줄기세포들의 분화 및 성장 유형을 정량화하는 단계를 포함한다. A method of sorting stem cells using Raman spectroscopy according to an aspect of the present invention for solving the above problems is a method of sorting stem cells using a Raman spectroscopy module and a sorting device, wherein a specimen containing the stem cells Preparing and pre-processing, comparing and analyzing Raman spectroscopy spectral images through Raman spectroscopy, comparing Raman spectroscopy results with Raman standard average values to evaluate the differentiation direction and state of the stem cells, the stem cells Classifying the differentiation and growth types of the stem cells, and quantifying the differentiation and growth types of the stem cells by including the Raman standard average value.
상기 라만 분광 검사에 따른 라만 분광 검사 결과와 미리 설정된 상기 라만 기준 평균 값의 비교 결과에 따라, 상기 검체에 포함된 줄기세포들을 선택적으로 제거하는 줄기세포 제거 단계를 더 포함할 수 있다. A stem cell removal step of selectively removing the stem cells included in the sample may be further included according to a comparison result between the Raman spectroscopic test result and the preset Raman reference average value according to the Raman spectroscopic test.
상기 라만 분광 스펙트럼 이미지를 비교 분석하는 단계는 분화 과정의 줄기세포들에 대해 라만 산란(Raman scattering) 방식의 검사를 수행해서 라만 시그널, 및 상기 라만 시그널에 따른 라만 분광 스펙트럼 이미지를 산출하는 단계, 상기 라만 시그널, 및 라만 분광 스펙트럼 이미지를 해당 줄기세포가 포함되어 있는 배양접시의 줄기세포 라만 평균 시그널, 및 라만 평균 분광 스펙트럼 이미지와 비교하는 단계, 및 비교된 상기 라만 시그널, 및 상기 라만 분광 스펙트럼 이미지 차이에 따라 상기 분화 과정의 줄기세포들에 대한 화학적 변화 이상 여부를 확인하는 단계를 포함할 수 있다. The step of comparatively analyzing the Raman spectroscopy spectrum image is the step of calculating a Raman signal and a Raman spectroscopy spectrum image according to the Raman signal by performing a Raman scattering test on the stem cells in the differentiation process, the Comparing the Raman signal and the Raman spectral spectrum image with the stem cell average Raman signal and the Raman average spectral spectrum image of the culture dish containing the stem cells, and the difference between the compared Raman signal and the Raman spectroscopy image Depending on the differentiation process, it may include a step of confirming whether or not there is an abnormal chemical change in the stem cells.
또한, 상술한 과제를 해결하기 위해 하드웨어인 컴퓨터와 결합되어, 상기 제1 항 내지 제7 항 중 어느 한 항에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법을 수행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램을 포함할 수 있다. In addition, in order to solve the above-mentioned problems, it is combined with a computer that is hardware, and a computer-readable recording medium is used to perform the classification method of stem cells using Raman spectroscopic analysis according to any one of claims 1 to 7. It may contain stored computer programs.
또한, 상술한 과제를 해결하기 위한 본 발명의 일 면에 따른 라만 분광 분석을 이용한 줄기세포의 분류 장치는 줄기세포 검체를 라만 분광이 가능한 배양 접시에 배양하여 라만 분광 검사를 통해 줄기세포들에 대한 라만 분광 시그널들과 라만 분광 스펙트럼 이미지들을 검출하는 검사 모듈, 상기 라만 분광 스펙트럼 이미지들을 분석하고 상기 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하며, 비교 결과에 따라 상기 줄기세포들의 분화 및 성장 유형을 분류하는 줄기세포 분석 모듈, 및 머신 러닝 알고리즘을 이용하여 상기 줄기세포들의 분화 방향 및 분열 상태를 분류하고 정량화하는 데이터 학습 모듈을 포함할 수 있다.In addition, the apparatus for sorting stem cells using Raman spectroscopy according to one aspect of the present invention for solving the above problems is to culture a stem cell sample in a culture dish capable of Raman spectroscopy, and conduct a Raman spectroscopy test for stem cells. A test module for detecting Raman spectroscopic signals and Raman spectroscopy spectral images, analyzing the Raman spectroscopy spectral images and comparing Raman spectroscopy test results with Raman reference average values to evaluate the differentiation direction and state of the stem cells, and based on the comparison results It may include a stem cell analysis module that classifies the differentiation and growth types of the stem cells, and a data learning module that classifies and quantifies the differentiation direction and division state of the stem cells using a machine learning algorithm.
본 발명의 기타 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. Other specific details of the invention are included in the detailed description and drawings.
본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법으로는 비표지 상태로 줄기세포의 분화 방향 및 분열 상태 등을 정량화하여, 염색에 의한 독성 영향과 이상 반응을 피할 수 있으며, 줄기세포의 원래 상태와 실시간으로 변하는 상태들을 실시간으로 관측할 수 있다. In the stem cell classification method using Raman spectroscopic analysis according to an embodiment of the present invention, toxic effects and abnormal reactions due to staining can be avoided by quantifying the differentiation direction and division state of stem cells in an unlabeled state. The original state of the cell and the state that changes in real time can be observed in real time.
또한, 비파괴적, 비침습적인 분석 방법으로 줄기세포의 분화 특성을 확인하여 소정 기간 동안 성장 및 분화시킨 줄기세포를 퀄리티 체크로 소진하지 않고 실험에 사용할 수 있으며, 적절한 치료 시기에 정상적인 줄기세포들을 적용시킬 수 있도록 지원할 수 있다. In addition, stem cells grown and differentiated for a certain period of time can be used for experiments without exhaustion through quality check by checking the differentiation characteristics of stem cells with a non-destructive and non-invasive analysis method, and normal stem cells are applied at an appropriate time can support you to do it.
본 발명의 효과들은 이상에서 언급된 효과로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다. The effects of the present invention are not limited to the effects mentioned above, and other effects not mentioned will be clearly understood by those skilled in the art from the description below.
도 1은 본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법을 순서대로 설명하기 위한 순서도이다.
도 2는 일 실시예에 따른 검체로 적용되는 줄기세포들의 다양한 분화 방향을 구체적으로 나타낸 도면이다.
도 3은 일 실시예에 따른 라만 분광 스펙트럼 이미지의 비교 분석 방법을 설명하기 위한 이미지 도면이다.
도 4는 일 실시예에 따른 머신 러닝 알고리즘을 이용하여 줄기세포의 분화 방향 및 분열 상태를 분류하고 정량화하는 과정을 설명하기 위한 도면이다.
도 5는 본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 장치를 구체적으로 나타낸 구성 블록도이다. 1 is a flow chart for sequentially explaining a method of sorting stem cells using Raman spectroscopy according to an embodiment of the present invention.
2 is a view specifically showing various directions of differentiation of stem cells applied as specimens according to an embodiment.
3 is an image diagram for explaining a comparative analysis method of a Raman spectroscopy spectrum image according to an exemplary embodiment.
4 is a diagram for explaining a process of classifying and quantifying the differentiation direction and division state of stem cells using a machine learning algorithm according to an embodiment.
5 is a configuration block diagram showing in detail an apparatus for sorting stem cells using Raman spectroscopy according to an embodiment of the present invention.
명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다. Like reference numbers designate like elements throughout the specification. This specification does not describe all elements of the embodiments, and general content or overlapping content between the embodiments in the technical field to which the present invention belongs is omitted. The term 'unit, module, member, or block' used in the specification may be implemented as software or hardware, and according to embodiments, a plurality of 'units, modules, members, or blocks' may be implemented as one component, It is also possible that one 'part, module, member, block' includes a plurality of components.
어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. When a certain component is said to "include", this means that it may further include other components, not excluding other components unless otherwise stated.
제1, 제2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다. Terms such as first and second are used to distinguish one component from another, and the components are not limited by the aforementioned terms.
단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.Expressions in the singular number include plural expressions unless the context clearly dictates otherwise.
각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다. In each step, the identification code is used for convenience of description, and the identification code does not explain the order of each step, and each step may be performed in a different order from the specified order unless a specific order is clearly described in context. there is.
이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다. Hereinafter, the working principle and embodiments of the present invention will be described with reference to the accompanying drawings.
도 1은 본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법을 순서대로 설명하기 위한 순서도이다. 1 is a flow chart for sequentially explaining a method of sorting stem cells using Raman spectroscopy according to an embodiment of the present invention.
도 1에 도시된 일 실시예에 따른 줄기세포의 분류 방법으로는 줄기세포들의 분화 방향 및 분열 특성 등을 실시간으로 확인하고, 특정 줄기세포들은 선택적으로 제거할 수 있으며, 줄기세포들의 분화 유형과 분열 상태를 정량화할 수 있다. 이를 위해, 일 실시예에 따른 줄기세포의 분류 방법은 줄기세포를 포함한 검체를 준비하고 전처리하는 단계(ST1), 라만 분광 스펙트럼 이미지를 비교 분석하는 단계(ST2), 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계(ST3), 줄기세포들을 선택적으로 제거하는 단계(ST4), 줄기세포들의 분화 및 성장 유형을 분류하고, 정량화하는 단계(ST5,ST6)를 포함한다. In the stem cell classification method according to an embodiment shown in FIG. 1 , the direction of differentiation and division characteristics of the stem cells can be checked in real time, specific stem cells can be selectively removed, and the differentiation type and division of the stem cells can be determined. status can be quantified. To this end, the stem cell classification method according to an embodiment includes preparing and pre-processing a specimen including stem cells (ST1), comparing and analyzing Raman spectroscopy spectral images (ST2), and averaging the Raman spectroscopy test result with the Raman standard. It includes a step of comparing the value (ST3), a step of selectively removing stem cells (ST4), and a step of classifying and quantifying the differentiation and growth types of stem cells (ST5, ST6).
구체적으로, 검체 준비 및 전처리 단계(ST1)에서는 라만 분광이 가능한 배양접시에 줄기세포들을 배양하고, 배양 접시 검체를 적어도 하나의 검사 위치에 배치하여 라만 분광 검사를 준비한다. 그리고, 줄기세포들이 분포된 배양접시를 셀 인큐베이터에 넣어 검사 접시를 전처리한다. Specifically, in the sample preparation and preprocessing step (ST1), the stem cells are cultured in a culture dish capable of Raman spectroscopy, and the culture dish sample is placed in at least one test position to prepare for a Raman spectroscopy test. In addition, the culture dish in which the stem cells are distributed is put into a cell incubator to pre-treat the test dish.
검체로서 배양 접시에 배치 및 분포되는 줄기세포는 hLD-SC, hUCM-MSC, hiPSC 등의 간 유래 줄기세포, 탯줄 유래 간엽 줄기세포, 유도만능 줄기세포, 및 중간엽 줄기세포(mesenchymal stem cells) 등이 적용될 수 있다. 이하에서는 중간엽 줄기세포를 배양 접시에 배치 및 분포되는 대상 검체로 적용한 예를 설명하기로 하며, 실시예에 따른 줄기세포 검체는 중간엽 줄기세포만으로 한정되지 않는다. Stem cells placed and distributed in a culture dish as samples include liver-derived stem cells such as hLD-SC, hUCM-MSC, and hiPSC, umbilical cord-derived mesenchymal stem cells, induced pluripotent stem cells, and mesenchymal stem cells, etc. this may apply. Hereinafter, an example in which mesenchymal stem cells are applied as a target sample to be placed and distributed in a culture dish will be described, and the stem cell sample according to the embodiment is not limited to mesenchymal stem cells only.
일 예로, 줄기세포 분화 및 염색 분석(Differentiation and Staining Analysis)을 위해서는 제5 계통의 인간 지방질-유래 중간엽 줄기세포를 수 적어도 2일간 배양해서 골아 세포 및 지방 세포로 분화시켜 이용할 수 있다. For example, for stem cell differentiation and staining analysis (Differentiation and Staining Analysis), human adipose-derived mesenchymal stem cells of the fifth lineage may be cultured for at least two days and differentiated into osteoblasts and adipocytes.
한편, 지방 세포 분화를 위해서는 인간 지방질-유래 중간엽 줄기세포는 StemPro 지방 세포형성 분화 키트 미디어(the StemPro Adipogenesis differentiation kit media)(Gibco)를 사용하여 분화시킬 수 있다. 다른 일 예로, 골 형성 분화를 위해서는 인간 지방질-유래 중간엽 줄기세포를 아스코르브 산(ascorbic acid, SigmaAldrich), 글리세로 포스페이트(glycerophosphate, Sigma-Aldrich), 및 덱사메타손(dexamethasone, Sigma-Aldrich)이 보충된 중간엽 줄기세포 성장 배지로 처리할 수도 있다. Meanwhile, for adipocyte differentiation, human adipose-derived mesenchymal stem cells can be differentiated using StemPro Adipogenesis differentiation kit media (Gibco). As another example, for osteogenic differentiation, human adipose-derived mesenchymal stem cells were supplemented with ascorbic acid (SigmaAldrich), glycerophosphate (Sigma-Aldrich), and dexamethasone (Sigma-Aldrich). It can also be treated with mesenchymal stem cell growth medium.
도 2는 일 실시예에 따른 검체로 적용되는 줄기세포들의 다양한 분화 방향을 구체적으로 나타낸 도면이다. 2 is a view specifically showing various directions of differentiation of stem cells applied as specimens according to an embodiment.
도 2로 도시된 바와 같이, 줄기세포는 신체의 거의 모든 유형의 세포로 분열 및 분화할 수 있는 특성을 가지며, 핵(nucleus), 세포 소기관(cytoplasm) 또는 소포체, 엽록체, 세포질, 리소좀, 세포 클러스터링(예를 들어, vesicle, plasma membrane) 등을 포함하는 구조를 이룬다. 이에, 줄기세포들은 각 구조적인 배엽 성장 및 분화를 통해 신체 유형에 따라 다양한 형질의 세포로 분화 및 분류될 수 있다. 특히, 중간엽 줄기세포는 세포 분화 과정을 거쳐 근육 세포, 혈액 세포, 신경 세포, 심근 세포, 간세포, 지방세포, 뼈 세포 등으로 분화할 수 있다. 이러한 중간엽 줄기세포는 미분화 상태로 존재하다가 분화 신호에 따라 다양한 형태의 세포로 분화되어 분화된 세포로서 고유한 기능과 형태를 구성한다. As shown in FIG. 2, stem cells have the property of dividing and differentiating into almost all types of cells in the body, and include nucleus, cytoplasm or endoplasmic reticulum, chloroplast, cytoplasm, lysosome, and cell clustering. (e.g., vesicle, plasma membrane) and the like. Accordingly, stem cells can be differentiated and classified into cells of various phenotypes according to body types through the growth and differentiation of each structural germ layer. In particular, mesenchymal stem cells can be differentiated into muscle cells, blood cells, nerve cells, cardiomyocytes, hepatocytes, fat cells, bone cells, etc. through a cell differentiation process. These mesenchymal stem cells exist in an undifferentiated state and are differentiated into cells of various types according to differentiation signals to form unique functions and shapes as differentiated cells.
줄기세포들을 분화시키는 과정에서 줄기세포의 분화 과정 및 분화 상태를 확인하기 위해, 줄기세포들의 스펙트럼 이미지를 검출하고 비교 대상 이미지와 비교 분석한다. 이를 위해, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계(ST2)에서는 분화 과정의 줄기세포들에 대해 라만 산란(Raman scattering) 방식의 검사를 수행해서 라만 시그널을 획득할 수 있다. In the process of differentiating stem cells, in order to confirm the differentiation process and differentiation state of stem cells, a spectrum image of the stem cells is detected and compared with an image to be compared for analysis. To this end, in the step of comparatively analyzing the Raman spectroscopy spectrum image through the Raman spectroscopy test (ST2), Raman signals may be obtained by performing a Raman scattering test on the stem cells in the differentiation process.
일 실시예에 따른 라만 산란 방식은 생물학적 및 화학적 검체들에 대한 분자 특이적 정보를 제공하는 분석법이다. 라만 산란 방식의 검사로는 라만 표지자의 특징적인 피크의 세기(intensity) 변화를 측정하여 분화 과정의 줄기세포들에 대한 표적 물질(예를 들어, 핵산, 지질, 단백질 등)을 정량화한다. A Raman scattering method according to an embodiment is an analysis method that provides molecular-specific information about biological and chemical specimens. In the Raman scattering test, a change in intensity of a characteristic peak of a Raman marker is measured to quantify a target material (eg, nucleic acid, lipid, protein, etc.) of stem cells in the differentiation process.
라만 분광 검사시에는 배양접시 내에 줄기세포들이 분포된 부분을 라만 산란 방식으로 측정하여 라만 시그널을 획득할 수 있다. 라만 시그널 획득시에는 라만 분광 장비(예를 들어, 532nm laser, 785nm laser Raman Device)를 이용하여 500cm-1 ~ 3000cm-1 사이의 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 스펙트럼 이미지를 추출할 수 있다. In the case of Raman spectroscopy, a Raman signal may be obtained by measuring a portion where stem cells are distributed in a culture dish using a Raman scattering method. When acquiring a Raman signal, a preset wavelength range between 500 cm -1 and 3000 cm -1 is sampled using a Raman spectroscopy device (eg, 532 nm laser, 785 nm laser Raman Device), and a spectral image of the sampled wavelength range is extracted. can do.
한편, 스펙트럼 이미지 추출시에는 배양 접시 상에 배양된 줄기세포에 광을 조사하여 산란광(scattered light)을 발생시키고, 산란광을 침지렌즈(immersion lens)를 통해 분광계(spectrometer)로 수집한 후, 분광계로 수집한 산란광을 분산시킬 수 있다. 그리고, 분산계로 분산시킨 분산광을 CCD 카메라(chargecoupled device camera) 외에도 라만 분광 장비로 감지하여 분산광을 스펙트럼으로 변환시킬 수 있다. On the other hand, when extracting a spectral image, light is irradiated on stem cells cultured on a culture dish to generate scattered light, and after collecting the scattered light with a spectrometer through an immersion lens, the spectrometer Collected scattered light can be dispersed. In addition, the dispersed light dispersed by the dispersion system may be detected by a Raman spectroscopy device in addition to a CCD camera (charge-coupled device camera), and the dispersed light may be converted into a spectrum.
특히, 라만 시그널의 스펙트럼 분포를 컴퓨터의 미리 설정된 프로그램을 통해 분석하면, 유기 및 무기 분자의 고유 라만 스펙트럼 분포 및 포함 범위에 따라 단백질의 종류, 지질, RNA, DNA 등을 더 검출할 수도 있다. In particular, if the spectrum distribution of the Raman signal is analyzed through a preset computer program, the type of protein, lipid, RNA, DNA, etc. may be further detected according to the unique Raman spectrum distribution and coverage of organic and inorganic molecules.
이와 더불어, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계(ST2)에서는 공초점 현미경을 통한 공초점 현미경 이미지를 획득하여 줄기세포들의 개수, 각 줄기세포의 크기 정보 등을 추출할 수 있다. In addition, in the step of comparatively analyzing the Raman spectroscopy spectrum image through Raman spectroscopy (ST2), confocal microscopy images are obtained through a confocal microscope to extract the number of stem cells, information on the size of each stem cell, etc. .
도 3은 일 실시예에 따른 라만 분광 스펙트럼 이미지의 비교 분석 방법을 설명하기 위한 이미지 도면이다. 3 is an image diagram for explaining a comparative analysis method of a Raman spectroscopy spectrum image according to an exemplary embodiment.
도 3을 참조하면, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계(ST2)에서는 공초점 현미경 이미지 획득 과정을 통해 검출된 줄기세포들의 개수, 각 줄기세포의 크기 정보 등을 라만 평균 데이터의 기준 정보들과 비교할 수 있다. 그리고, 라만 평균 데이터의 기준 정보 대비 줄기세포들의 개수, 각 줄기세포별 굴절률, 각 줄기세포의 크기 차이를 산출하여 분화 과정의 줄기세포들에 대한 물리적 변화 및 이상 여부를 확인할 수 있다. 여기서, 라만 평균 데이터는 기존에 정상적으로 분화된 줄기세포의 데이터 축적을 통해 형성 및 데이터베이스화된 데이터일 수 있다. Referring to FIG. 3, in the step of comparing and analyzing Raman spectroscopy spectral images through Raman spectroscopy (ST2), the number of stem cells detected through the confocal microscope image acquisition process, size information of each stem cell, etc. are recorded as Raman average data. can be compared with the reference information of In addition, by calculating the number of stem cells, the refractive index of each stem cell, and the size difference of each stem cell compared to the reference information of the Raman average data, physical changes and abnormalities of the stem cells in the differentiation process can be confirmed. Here, the average Raman data may be data formed and databased through data accumulation of conventionally differentiated stem cells.
또한, 도 3으로 도시된 바와 같이, 라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계(ST2)에서는 라만 분광 검사를 통해 추출된 라만 시그널, 및 라만 분광 스펙트럼 이미지를 해당 줄기세포가 포함되어 있는 배양접시의 라만 평균 시그널 및 라만 평균 이미지와 비교한다. 그리고, 라만 평균 시그널 및 라만 평균 이미지 대비 라만 분광 검사를 통해 추출된 라만 시그널, 및 라만 분광 스펙트럼 이미지 차이를 분석하여 분화 과정의 줄기세포들에 대한 화학적 변화 이상 여부를 확인할 수 있다. In addition, as shown in FIG. 3, in the step of comparatively analyzing the Raman spectroscopy spectrum image through the Raman spectroscopy test (ST2), the Raman signal extracted through the Raman spectroscopy test and the Raman spectroscopy spectrum image are included in the stem cell Compare the Raman average signal and the Raman average image of the culture dish with In addition, by analyzing the difference between the Raman signal extracted through the Raman spectroscopy test and the Raman spectroscopy spectrum image compared to the Raman average signal and the Raman average image, it is possible to determine whether or not there is an abnormal chemical change in the stem cells during the differentiation process.
특히, 줄기세포 분화 확인을 위한 마이크로 라만 분석(Micro-Raman analysis)시에는 인간 지방질-유래 중간엽 줄기세포에 대해 골아 세포 및 지방 세포로 분화를 유도한 다음, 각 세포 유형의 라만 스펙트럼을 단일 세포 수준에서 얻음으로써 다음 분석을 위한 특정 피크를 결정할 수 있다. 이 경우, 페놀 레드의 색이 라만 신호를 방해할 수 있기 때문에 페놀 레드 프리 세포 배지(Phenol red-free cell media)를 사용할 수 있다. 이에 따라 조골세포 및 지방 세포 모두 살아있는 세포를 배지에 담고 침지 렌즈(immersion lens)를 사용하여 각 성분들의 조사가 가능해진다. In particular, in micro-Raman analysis to confirm stem cell differentiation, differentiation of human adipose-derived mesenchymal stem cells into osteoblasts and adipocytes is induced, and then the Raman spectrum of each cell type is analyzed as a single cell. Levels can be used to determine specific peaks for further analysis. In this case, since the color of phenol red can interfere with the Raman signal, a phenol red-free cell media can be used. Accordingly, both osteoblasts and adipocytes contain live cells in a culture medium, and each component can be irradiated using an immersion lens.
줄기세포 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계(ST3)에서는 정상적으로 분화된 줄기세포의 데이터 축적을 통해 형성된 라만 평균 데이터로에서 미리 설정된 기준 평균 값들을 산출한다. In the step of comparing the Raman spectroscopic test result with the Raman standard average value to evaluate the direction and state of stem cell differentiation (ST3), preset standard average values are calculated from the Raman average data formed through data accumulation of normally differentiated stem cells. .
또한, 라만 평균 데이터의 라만 기준 평균 값들과 공초점 현미경 측정 및 라만 분광 검사를 통해 측정된 라만 분광 검사 결과 값들을 비교하여, 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 추출된 대상의 줄기세포들을 추출할 수 있다. 여기서, 분광 검사 결과 값으로는 라만 분광 측정 시 나타나는 지질, 핵산, 및 단백질 성분들의 검출 값 또는 측정 값일 수 있다. In addition, by comparing the Raman standard average values of the Raman average data with the Raman spectroscopy test result values measured through confocal microscopy and Raman spectroscopy, the Raman spectroscopy test result values compared to the Raman standard average values are extracted larger than the preset error range. The stem cells of the target can be extracted. Here, the spectroscopic test result values may be detection values or measurement values of lipids, nucleic acids, and protein components that appear when Raman spectroscopy is measured.
줄기세포들을 선택적으로 제거하는 단계(ST4)에서는 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 추출된 대상의 줄기세포들이 레이저 장비 등에 의해 선택적으로 제거되도록 한다. In the step of selectively removing the stem cells (ST4), the stem cells of the target whose Raman spectroscopy test result values are larger than a preset error range compared to the Raman reference average values are selectively removed by a laser device or the like.
줄기세포들을 선택적으로 제거하는 단계(ST4)에서는 지속적으로 라만 평균 즉, 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들을 비교하여 라만 평균 기준 값 대비 오차 범위에서 크게 벗어나는 줄기세포를 폐기할 수 있다. In the step of selectively removing the stem cells (ST4), stem cells that are significantly out of the error range compared to the Raman average reference value can be discarded by continuously comparing the Raman average, that is, the Raman reference average values against the Raman spectroscopy test result values.
이와 더불어, 연속적으로 계속 분화되는 과정에 따른 형태 변화와 추출 성분 검사량을 비교하여 줄기세포의 폐기 시점을 찾아낼 수도 있다. 즉, 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들 실시간으로 또는 미리 설정된 기간 단위로 검출하고 비교하여, 라만 평균 기준 값 대비 오차 범위에서 크게 벗어나는 줄기세포들을 검출할 수 있다. 이에, 오차 범위에서 벗어나는 줄기세포들에 대한 폐기 시점 정보를 정량화할 수도 있다. In addition, it is possible to find the point of discarding the stem cells by comparing the morphological change according to the process of continuous differentiation and the test amount of the extracted component. That is, by detecting and comparing Raman reference average values with Raman spectroscopy test result values in real time or in a preset period of time, stem cells that greatly deviate from the error range compared to the Raman average reference value can be detected. Accordingly, discard time information for stem cells that fall out of the error range may be quantified.
줄기세포들의 분화 및 성장 유형을 분류하는 단계(ST5)에서는 폐기되지 않은 줄기세포들에 대해 미리 설정된 표적 물질들(예를 들어, 핵산, 지질, 단백질 등)의 성분 변화량, 및 각 줄기세포에 포함된 적어도 한 구성 요소(예를 들어, 요소핵, 세포 소기관, 소포체, 세포질, 리소좀, 세포 클러스터링)에 대한 분화 크기(또는, 부피) 변화량을 라만 스펙트럼 증가량 분성을 통해 검출한다. In the step of classifying the differentiation and growth types of stem cells (ST5), the amount of change in the components of target substances (eg, nucleic acids, lipids, proteins, etc.) set in advance for the stem cells that are not discarded, and included in each stem cell A change in the size (or volume) of differentiation for at least one component (eg, urea nucleus, organelle, endoplasmic reticulum, cytoplasm, lysosome, and cell clustering) is detected through Raman spectral incremental analysis.
이때, 미리 설정된 오차 범위 내로 유사한 비교 결과 값이 나온 비교 대상 요소들을 계통 및 분류 요소 목록으로 추출하여, 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정할 수 있다. 또한, 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량 대비 라만 분광 검사를 통해 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 비교할 수 있다. 이때, 미리 설정된 오차 범위 내로 유사한 비교 결과 값이 나온 비교 대상 요소들을 계통 및 분류 요소 목록으로 추출하여, 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정할 수 있다. In this case, list information on the lineage and classification elements of stem cells may be set by extracting comparison target elements having similar comparison result values within a preset error range into a lineage and classification element list. In addition, it is possible to compare the amount of change in the components of the target materials and the amount of change in the differentiation size of the stem cell components calculated through Raman spectroscopy compared to the amount of change in the components of the target materials and the amount of change in the differentiation size of the stem cell components. In this case, list information on the lineage and classification elements of stem cells may be set by extracting comparison target elements having similar comparison result values within a preset error range into a lineage and classification element list.
도 4는 일 실시예에 따른 머신 러닝 알고리즘을 이용하여 줄기세포의 분화 방향 및 분열 상태를 분류하고 정량화하는 과정을 설명하기 위한 도면이다. 4 is a diagram for explaining a process of classifying and quantifying the differentiation direction and division state of stem cells using a machine learning algorithm according to an embodiment.
도 4를 참조하면, 라만 기준 평균 값을 포함하여 줄기세포들의 분화 및 성장 유형을 정량화하는 단계(ST6)에서는 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보, 각 줄기세포의 크기 정보, 각 줄기세포에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량, 각 줄기세포에 포함된 표적 물질들의 성분 변화량을 미리 설정 및 선택된 머신 러닝 프로그램(또는 기계 학습 프로그램)에 기계 학습 인자(또는, 입력 값)으로 입력하여 줄기세포의 분화 방향 및 분열 상태 정보를 분류한다. Referring to FIG. 4, in the step of quantifying the differentiation and growth types of stem cells (ST6), including the Raman reference mean value, list information on the lineage and classification elements of stem cells, size information of each stem cell, and each The amount of differentiation size change for at least one component included in the stem cell and the amount of change in the component of the target substances included in each stem cell are preset and machine learning factors (or input values) to the selected machine learning program (or machine learning program) to classify the differentiation direction and division state information of stem cells.
학습 인자들의 입력시, 미리 설정된 머신 러닝 프로그램들 중 적어도 하나의 머신 러닝 프로그램을 선택해서 검체 관련 정보를 비롯한 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과를 학습 인자로 추가 입력할 수 있다. When inputting learning factors, at least one machine learning program among preset machine learning programs may be selected to additionally input specimen-related information, a result of detecting a Raman signal, and a result of detecting a Raman spectrum as a learning factor.
머신러닝 프로그램으로는 PCA(Principal component analysis)-LDA(Linear Discriminant Analysis)모델, NMF(Non-Negative Matrix Factorization)-LDA(Linear Discriminant Analysis)모델, RFML(Random Forest Machine Learning) 모델, 머신 러닝(예를 들어, CNN(Convolutional Neural Networks)) 등이 동반적으로 적용될 수 있다. 학습 인자 입력시에는 결과적인 분류 정보들을 명확히 구분하기 위해 검출 세포 정보(예를 들어, 배양시간, 사용 배양액 종류, 투입된 줄기세포 성장인자 종류 및 성장인자 투입량 등)을 각각 추가로 입력할 수 있다. Machine learning programs include PCA (Principal Component Analysis)-LDA (Linear Discriminant Analysis) model, NMF (Non-Negative Matrix Factorization)-LDA (Linear Discriminant Analysis) model, RFML (Random Forest Machine Learning) model, machine learning (eg For example, Convolutional Neural Networks (CNN) and the like may be concurrently applied. When inputting learning factors, information on detected cells (eg, culture time, type of culture medium used, type of stem cell growth factor and amount of growth factor input, etc.) may be additionally input to clearly distinguish the resultant classification information.
줄기세포들의 분화 및 성장 유형을 정량화하는 단계(ST6)에서는 미리 설정된 머신 러닝 프로그램을 통한 기계 학습을 수행하여 라만 평균 데이터, 라만 기준 평균 값, 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 재설정 및 정량화할 수 있다. In the step of quantifying the differentiation and growth types of stem cells (ST6), machine learning is performed through a preset machine learning program to reset and can be quantified.
이에 따라, 평균 데이터, 라만 기준 평균 값, 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 프로그램으로 분류 및 학습시켜 줄기세포의 분화 유형을 예측할 수 있다. 또한 라만 평균된 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 기반으로 분석하여 줄기세포의 분화 유형을 예측할 수 있다. Accordingly, the differentiation type of stem cells can be predicted by classifying and learning the average data, the average value of the Raman standard, and information on the differentiation direction and division state of the stem cells using a machine learning program. In addition, the differentiation type of stem cells can be predicted by analyzing the Raman averaged information on the differentiation direction and division state of stem cells based on machine learning.
도 5는 본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 장치를 구체적으로 나타낸 구성 블록도이다. 5 is a configuration block diagram showing in detail an apparatus for sorting stem cells using Raman spectroscopy according to an embodiment of the present invention.
도 5에 도시된 라만 분광 분석을 이용한 줄기세포의 분류 장치는 검사 모듈(100), 줄기세포 분석 모듈(200), 및 데이터 학습 모듈(300)을 포함한다. The apparatus for classifying stem cells using Raman spectroscopy shown in FIG. 5 includes an
검사 모듈(100)은 줄기세포 검체를 배양 접시에 배치하여 라만 분광 검사를 통해 줄기세포들에 대한 라만 분광 시그널들을 검출한다. 이를 위해, 검사 모듈(100)은 검체 검사 및 전처리부(101), 라만 시그널 검출부(103), 및 이미지 검출부(105)를 포함한다. The
검체 검사 및 전처리부(101)는 줄기세포들로 이루어진 검체를 적어도 하나의 배양 접시에 배치하여 라만 분광 검사를 준비하고, 줄기세포들이 분포 및 배치된 적어도 하나의 배양 접시를 셀 인큐베이터에 넣어 전처리한다. 배양 접시에서 배양된 줄기세포는 hLD-SC, hUCM-MSC, hiPSC 등의 간 유래 줄기세포, 탯줄 유래 간엽 줄기세포, 유도만능 줄기세포, 및 중간엽 줄기세포(mesenchymal stem cells) 등이 적용될 수 있다. The sample inspection and
라만 시그널 검출부(103)는 줄기세포 검체들에 대해 라만 산란(Raman scattering) 방식의 검사를 수행해서 라만 시그널을 획득한다. 그리고 획득한 라만 시그널을 데이터 베이스에 저장한다. 라만 산란 방식의 검사로는 라만 표지자의 특징적인 피크의 세기(intensity) 변화를 측정하여 분화 과정의 줄기세포들에 대한 표적 물질(예를 들어, 핵산, 지질, 단백질 등)을 정량화할 수 있다. The
이미지 검출부(105)는 라만 분광 장비(예를 들어, 532nm laser, 785nm laser Raman Device)를 이용하여 500cm-1 ~ 3000cm-1 사이의 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 스펙트럼 이미지를 추출할 수 있다. The
스펙트럼 이미지 추출시에는 배양 접시 상에 배양된 줄기세포에 광을 조사하여 산란광(scattered light)을 발생시키고, 산란광을 침지렌즈(immersion lens)를 통해 분광계(spectrometer)로 수집한 후, 분광계로 수집한 산란광을 분산시킬 수 있다. 그리고, 분산계로 분산시킨 분산광을 CCD 카메라(chargecoupled device camera) 외에도 라만 분광 장비로 감지하여 분산광을 스펙트럼으로 변환시킬 수 있다. When extracting a spectral image, light is irradiated on stem cells cultured on a culture dish to generate scattered light, and the scattered light is collected by a spectrometer through an immersion lens, and then collected by the spectrometer. Scattered light can be dispersed. In addition, the dispersed light dispersed by the dispersion system may be detected by a Raman spectroscopy device in addition to a CCD camera (charge-coupled device camera), and the dispersed light may be converted into a spectrum.
줄기세포 분석 모듈(200)은 라만 분광 스펙트럼 이미지를 분석하고 줄기세포 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하며, 비교 결과에 따라 줄기세포들의 분화 및 성장 유형을 분류한다. The stem
이를 위해, 줄기세포 분석 모듈(200)은 구성 성분 확인부(202), 성분 비교 분석부(204), 줄기세포 폐기부(206), 및 성장 유형 확인부(208)를 포함한다. To this end, the stem
구성 성분 확인부(202)는 공초점 현미경 측정을 통해 검출된 줄기세포들의 개수, 각 줄기세포의 크기 정보, 및 라만 분광 검사를 통한 분광 검사 결과 값들을 확인 및 저장한다. 구성 성분 확인부(202)는 줄기세포 검체들에 대한 라만 스펙트럼 증가량 분석을 통해 미리 설정된 표적 물질들의 성분 변화량, 및 각 줄기세포에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량을 검출할 수 있다. 또한, 검출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량 대비 라만 분광 검사를 통해 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 비교할 수 있다. 이때, 미리 설정된 오차 범위 내로 유사한 비교 결과 값이 나온 비교 대상 요소들을 계통 및 분류 요소 목록으로 추출하여, 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정할 수 있다. The
성분 비교 분석부(204)는 줄기세포 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교한다. 이에, 성분 비교 분석부(204)는 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 추출된 대상의 줄기세포들을 추출할 수 있다. The component comparison and
줄기세포 폐기부(206)는 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 추출된 대상의 줄기세포들을 레이저 장비로 선택적으로 제거한다. 줄기세포 폐기부(206)는 지속적으로 라만 평균 즉, 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들을 비교하여 라만 평균 기준 값 대비 오차 범위에서 크게 벗어나는 줄기세포를 폐기할 수 있다. The stem cell discard
줄기세포 폐기부(206)는 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들 실시간으로 또는 미리 설정된 기간 단위로 검출하고 비교하여, 라만 평균 기준 값 대비 오차 범위에서 크게 벗어나는 줄기세포들을 검출할 수 있다. 이에, 오차 범위에서 벗어나는 줄기세포들에 대한 폐기 시점 정보를 정량화할 수 있다. The stem cell discard
성장 유형 확인부(208)는 줄기세포 검체들에 대한 라만 스펙트럼 증가량 분석을 통해 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 확인하여 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정한다. 성장 유형 확인부(208)는 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량 대비 라만 분광 검사를 통해 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 비교한다 그리고, 미리 설정된 오차 범위 내로 유사한 비교 결과 값이 나온 비교 대상 요소들을 계통 및 분류 요소 목록으로 추출하여, 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정한다. The growth
데이터 학습 모듈(300)은 머신 러닝 알고리즘을 이용하여 줄기세포의 분화 방향 및 분열 상태를 분류하고 정량화한다. 이를 위해, 데이터 학습 모듈(300)은 학습 인자 입력부(301), 기계학습 처리부(303), 기계학습 프로그램 입력부(305), 및 라만 기준 데이터 생성부(307)를 포함한다. The
학습 인자 입력부(301)는 줄기세포에 대한 계통 및 분류 요소들에 대한 목록 정보, 각 줄기세포의 크기 정보, 각 줄기세포에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량, 각 줄기세포에 포함된 표적 물질들의 성분 변화량을 미리 설정된 머신 러닝 프로그램(또는 기계 학습 프로그램)에 기계 학습 인자(또는, 입력 값)으로 입력하여 줄기세포의 분화 방향 및 분열 상태 정보를 분류한다. The learning
학습 인자들의 입력시, 미리 설정된 머신 러닝 프로그램들 중 적어도 하나의 머신 러닝 프로그램을 선택해서 검체 관련 정보를 비롯한 라만 시그널 검출 결과 및 라만 스펙트럼 검출 결과를 학습 인자로 추가 입력할 수 있다. 학습 인자 입력시에는 결과적인 분류 정보들을 명확히 구분하기 위해 검출 세포 정보(예를 들어, 배양시간, 사용 배양액 종류, 투입된 줄기세포 성장인자 종류 및 성장인자 투입량 등)을 각각 추가 입력할 수 있다.When inputting learning factors, at least one machine learning program among preset machine learning programs may be selected to additionally input specimen-related information, a result of detecting a Raman signal, and a result of detecting a Raman spectrum as a learning factor. When inputting learning factors, information on detected cells (eg, culture time, type of culture medium used, type of stem cell growth factor and amount of growth factor input, etc.) may be additionally input to clearly classify the resultant classification information.
기계학습 처리부(303)는 미리 설정된 머신 러닝 프로그램을 통한 기계 학습을 수행하여 라만 평균 데이터, 라만 기준 평균 값, 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 재설정 및 정량화한다. 이때, 프로그램 입력부(305)는 학습 인자, 및 검출 인적 정보들을 매칭시켜서 기계 학습을 수행한다. 머신러닝 프로그램으로는 PCA(Principal component analysis)-LDA(Linear Discriminant Analysis)모델, NMF(Non-Negative Matrix Factorization)-LDA(Linear Discriminant Analysis)모델, RFML(Random Forest Machine Learning) 모델, 머신 러닝(예를 들어, CNN(Convolutional Neural Networks)) 등이 선택적으로 적용될 수 있다.The machine
라만 기준 데이터 생성부(307)는 라만 평균된 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 기반으로 분석하여 줄기세포의 분화 유형을 예측한다. 구체적으로, 라만 기준 데이터 생성부(307)는 평균 데이터, 라만 기준 평균 값, 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 프로그램으로 분류 및 학습시켜 줄기세포의 분화 유형을 예측할 수 있다. 또한 라만 평균된 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 기반으로 분석하여 줄기세포의 분화 유형을 예측할 수 있다. The Raman reference
이와 같이, 본 발명으로는 비표지 상태로 줄기세포를 검사 및 측정할 수 있어 염색에 의한 독성이나 이상반응을 피할 수 있고, 세포 그대로의 상태와 실시간으로 변하는 상태 또한 관측이 가능한다. 또한, 비파괴적 분석 방법이기 때문에 오랜 시간동안 성장 및 분화시킨 줄기세포를 퀄리티 체크로 소진하지 않고 실험에 사용할 수 있게 된다. 그리고, 기존의 파괴적인 확인 방법과는 다르게 상태를 확인한 줄기세포에 대해 실험이 가능할 수 있다. As such, in the present invention, stem cells can be inspected and measured in an unlabeled state, thereby avoiding toxicity or adverse reactions caused by staining, and observing the state of cells as they are and changing in real time. In addition, since it is a non-destructive analysis method, stem cells that have been grown and differentiated for a long time can be used for experiments without exhausting them through quality checks. In addition, unlike the existing destructive confirmation method, it may be possible to experiment on the stem cells whose condition has been confirmed.
줄기세포 분석 모듈(200), 및 데이터 학습 모듈(300)은 각 모듈의 프로세서 내 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램에 대한 데이터를 저장하는 메모리(미도시), 및 메모리(또는, 데이터 베이스)에 저장된 데이터를 이용하여 전술한 동작을 수행하는 프로세서(미도시)를 포함할 수 있다. 이때, 메모리와 프로세서는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리와 프로세서는 단일 칩으로 구현될 수도 있다. The stem
각각의 구성요소는 소프트웨어 및/또는 Field Programmable Gate Array(FPGA) 및 주문형 반도체(ASIC, Application Specific Integrated Circuit)와 같은 하드웨어 구성요소를 의미한다. Each component refers to software and/or hardware components such as Field Programmable Gate Array (FPGA) and Application Specific Integrated Circuit (ASIC).
한편, 개시된 실시예들은 줄기세포 분석 모듈(200), 및 데이터 학습 모듈(300)에 의해 실행 가능한 명령어를 저장하는 기록매체의 형태로 구현될 수 있다. 명령어는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 프로그램 모듈을 생성하여 개시된 실시예들의 동작을 수행할 수 있다. 기록매체는 줄기세포 분석 모듈(200), 및 데이터 학습 모듈(300), 및 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다. Meanwhile, the disclosed embodiments may be implemented in the form of a recording medium storing instructions executable by the stem
줄기세포 분석 모듈(200), 및 데이터 학습 모듈(300)이나 컴퓨터가 읽을 수 있는 기록매체로는 컴퓨터에 의하여 해독될 수 있는 명령어가 저장된 모든 종류의 기록 매체를 포함한다. 예를 들어, ROM(Read Only Memory), RAM(Random Access Memory), 자기 테이프, 자기 디스크, 플래쉬 메모리, 광 데이터 저장장치 등이 있을 수 있다. The stem
전술한 본 발명의 실시예에 따른 라만 분광 분석을 이용한 줄기세포의 분류 방법으로는 비표지 상태로 줄기세포의 분화 방향 및 분열 상태 등을 정량화하여, 염색에 의한 독성 영향과 이상 반응을 피할 수 있으며, 줄기세포의 원래 상태와 실시간으로 변하는 상태들을 실시간으로 관측할 수 있다. 또한, 비파괴적, 비침습적인 분석 방법으로 줄기세포의 분화 특성을 확인하여 소정 기간 동안 성장 및 분화시킨 줄기세포를 퀄리티 체크로 소진하지 않고 실험에 사용할 수 있으며, 적절한 치료 시기에 정상적인 줄기세포들을 적용시킬 수 있도록 지원할 수 있다. In the stem cell classification method using Raman spectroscopic analysis according to the above-described embodiment of the present invention, toxic effects and abnormal reactions due to staining can be avoided by quantifying the differentiation direction and division state of stem cells in an unlabeled state, , the original state of stem cells and the state that changes in real time can be observed in real time. In addition, stem cells grown and differentiated for a certain period of time can be used for experiments without exhaustion through quality check by checking the differentiation characteristics of stem cells with a non-destructive and non-invasive analysis method, and normal stem cells are applied at an appropriate time can support you to do it.
이상에서와 같이 첨부된 도면을 참조하여 개시된 실시예들을 설명하였다. 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고도, 개시된 실시예들과 다른 형태로 본 발명이 실시될 수 있음을 이해할 것이다. 개시된 실시예들은 예시적인 것이며, 한정적으로 해석되어서는 안 된다.As above, the disclosed embodiments have been described with reference to the accompanying drawings. Those skilled in the art to which the present invention pertains will understand that the present invention can be implemented in a form different from the disclosed embodiments without changing the technical spirit or essential features of the present invention. The disclosed embodiments are illustrative and should not be construed as limiting.
100: 검사 모듈
101: 전처리부
103: 라만 시그널 검출부
200: 줄기세포 분석 모듈
202: 구성 성분 확인부
204: 성분 비교 분석부
206: 줄기세포 폐기부
208: 성장 유형 확인부
300: 데이터 학습 모듈
301: 학습 인자 입력부
303: 기계학습 처리부
305: 프로그램 입력부
307: 라만 기준 데이터 생성부100: inspection module 101: pre-processing unit
103: Raman signal detection unit 200: stem cell analysis module
202: component confirmation unit 204: component comparison analysis unit
206: Stem cell disposal unit 208: Growth type confirmation unit
300: data learning module 301: learning factor input unit
303: machine learning processing unit 305: program input unit
307: Raman reference data generation unit
Claims (14)
상기 줄기세포들이 배양된 배양 접시를 준비하고 전처리하는 단계;
라만 분광 검사를 통해 라만 분광 스펙트럼 이미지를 비교 분석하는 단계;
상기 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계;
상기 줄기세포들의 분화 및 성장 유형을 분류하는 단계; 및
상기 라만 기준 평균 값을 포함하여 상기 줄기세포들의 분화 및 성장 유형을 정량화하는 단계를 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.A method for classifying stem cells using a Raman spectroscopy module and a sorting device,
preparing and pre-treating a culture dish in which the stem cells are cultured;
Comparatively analyzing the Raman spectroscopy spectrum image through Raman spectroscopy;
Comparing Raman spectroscopy test results with Raman reference average values to evaluate the differentiation direction and state of the stem cells;
Classifying differentiation and growth types of the stem cells; and
A method of classifying stem cells using Raman spectroscopic analysis comprising the step of quantifying the differentiation and growth types of the stem cells, including the Raman standard average value.
상기 라만 분광 검사에 따른 라만 분광 검사 결과와 미리 설정된 상기 라만 기준 평균 값의 비교 결과에 따라, 상기 검체에 포함된 줄기세포들을 선택적으로 제거하는 줄기세포 제거 단계를 더 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 1,
stem cell removal step of selectively removing the stem cells included in the sample according to the comparison result of the Raman spectroscopic examination result and the preset Raman standard average value according to the Raman spectroscopic examination; Methods of sorting cells.
상기 라만 분광 스펙트럼 이미지를 비교 분석하는 단계는
분화 과정의 줄기세포들에 대해 라만 산란(Raman scattering) 방식의 검사를 수행해서 라만 시그널, 및 상기 라만 시그널에 따른 라만 분광 스펙트럼 이미지를 산출하는 단계;
상기 라만 시그널, 및 라만 분광 스펙트럼 이미지를 라만 평균 시그널 및 평균 이미지와 비교하는 단계; 및
비교된 상기 라만 시그널, 및 상기 라만 분광 스펙트럼 이미지 차이에 따라 상기 분화 과정의 줄기세포들에 대한 화학적 변화 이상 여부를 확인하는 단계를 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 1,
Comparatively analyzing the Raman spectroscopy spectrum image
Calculating a Raman signal and a Raman spectroscopy spectrum image according to the Raman signal by performing a Raman scattering test on the stem cells in the differentiation process;
comparing the Raman signal and the Raman spectroscopy spectrum image with a Raman average signal and average image; and
A method of classifying stem cells using Raman spectroscopic analysis comprising the step of checking whether or not there is an abnormal chemical change in the stem cells in the differentiation process according to the compared Raman signal and the difference between the Raman spectroscopic spectrum images.
상기 라만 분광 스펙트럼 이미지를 비교 분석하는 단계는
공초점 현미경 측정을 통해 상기 분화 과정 줄기세포들의 개수 및 각 줄기세포의 크기 정보를 추출하는 단계; 및
상기 공초점 현미경 측정을 통해 추출된 줄기세포들의 개수 및 상기 각 줄기세포의 크기 정보를 라만 평균 데이터의 기준 정보들과 비교하여 분화 과정의 줄기세포들에 대한 물리적 변화 및 이상 여부를 확인하는 단계를 더 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 3,
Comparatively analyzing the Raman spectroscopy spectrum image
Extracting information on the number of stem cells in the differentiation process and the size of each stem cell through confocal microscopy; and
The step of comparing the number of stem cells extracted through the confocal microscopy and the size information of each stem cell with the reference information of the Raman average data to confirm physical changes and abnormalities in the stem cells in the differentiation process. Classification method of stem cells using Raman spectroscopic analysis further comprising.
상기 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 단계는
상기 라만 기준 평균 값들을 산출하는 단계;
상기 라만 기준 평균 값들과 상기 공초점 현미경 측정 및 상기 라만 분광 검사를 통해 측정된 라만 분광 검사 결과 값들을 비교하는 단계; 및
상기 라만 기준 평균 값들 대비 상기 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 검출된 대상의 줄기세포들을 추출하는 단계를 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 4,
Comparing the Raman spectroscopy test result with the Raman reference average value
Calculating the Raman reference average values;
Comparing the Raman standard mean values with Raman spectroscopy result values measured through the confocal microscopy and the Raman spectroscopy; and
A method of classifying stem cells using Raman spectroscopic analysis comprising the step of extracting stem cells of a target for which the Raman spectroscopy test result values compared to the Raman reference average values are detected to be greater than a preset error range.
상기 줄기세포들의 분화 및 성장 유형을 분류하는 단계는
상기 줄기세포들이 포함된 검체들에 대한 라만 스펙트럼 증가량 분석을 통해 미리 설정된 표적 물질들의 성분 변화량, 및 상기 줄기세포들에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량을 검출하는 단계;
상기 라만 스펙트럼 증가량 분석을 통해 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량 대비 상기 공초점 현미경 측정 및 상기 라만 분광 검사를 통해 산출된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 비교하는 단계; 및
미리 설정된 오차 범위 내로 유사한 비교 결과 값이 나온 비교 대상 요소들을 계통 및 분류 요소 목록으로 추출하여 상기 줄기세포들에 대한 계통 및 분류 요소들에 한 목록 정보를 설정하는 단계를 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 4,
The step of classifying the differentiation and growth types of the stem cells is
detecting a change in components of preset target substances and a change in the size of differentiation of at least one component included in the stem cells through Raman spectral incremental analysis of specimens including the stem cells;
The amount of change in the components of the target materials calculated through the Raman spectral increase analysis and the amount of differentiation size change of the stem cell components compared to the amount of change in the components of the target materials and the differentiation of the stem cell components calculated through the confocal microscopy measurement and the Raman spectroscopic examination comparing the amount of change in size; and
Using Raman spectroscopy analysis, which includes the step of extracting elements to be compared with similar comparison result values within a preset error range into a list of lineage and classification elements and setting information on a list of lineage and classification elements for the stem cells. Classification method of stem cells.
상기 라만 기준 평균 값을 포함하여 줄기세포들의 분화 및 성장 유형을 정량화하는 단계는
상기 줄기세포들에 대한 계통 및 분류 요소들에 대한 목록 정보, 상기 각 줄기세포의 크기 정보, 상기 각 줄기세포에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량, 각 줄기세포에 포함된 표적 물질들의 성분 변화량을 미리 설정 및 선택된 머신 러닝 프로그램에 기계 학습 인자으로 입력하여 상기 줄기세포들의 분화 방향 및 분열 상태 정보를 분류하는 단계; 및
상기 머신 러닝 프로그램을 통한 기계 학습을 수행하여 상기 라만 평균 데이터, 상기 라만 기준 평균 값, 상기 줄기세포들의 분화 방향 및 분열 상태에 대한 정보들을 정량화하는 단계를 포함하는 라만 분광 분석을 이용한 줄기세포의 분류 방법.According to claim 6,
The step of quantifying the differentiation and growth types of stem cells, including the Raman standard average value,
List information on lineages and classification elements of the stem cells, size information of each stem cell, amount of differentiation size change for at least one component included in each stem cell, target substances included in each stem cell Classifying the differentiation direction and division state information of the stem cells by inputting a component change amount as a machine learning factor to a previously set and selected machine learning program; and
Classification of stem cells using Raman spectroscopic analysis comprising performing machine learning through the machine learning program to quantify the Raman average data, the Raman reference average value, and information on the differentiation direction and division state of the stem cells method.
상기 라만 분광 스펙트럼 이미지들을 분석하고 상기 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하며, 비교 결과에 따라 상기 줄기세포들의 분화 및 성장 유형을 분류하는 줄기세포 분석 모듈; 및
머신 러닝 알고리즘을 이용하여 상기 줄기세포들의 분화 방향 및 분열 상태를 분류하고 정량화하는 데이터 학습 모듈을 포함하는 라만 분광 분석을 이용한 줄기세포 분류 장치. a test module for detecting Raman spectroscopy signals and Raman spectroscopy spectral images of the stem cells through Raman spectroscopy by placing the stem cell sample in a culture dish;
Stem cell analysis that analyzes the Raman spectroscopy spectrum images, compares Raman spectroscopy test results with Raman reference average values to evaluate the differentiation direction and state of the stem cells, and classifies the differentiation and growth types of the stem cells according to the comparison results. module; and
Stem cell classification apparatus using Raman spectroscopy analysis comprising a data learning module for classifying and quantifying the differentiation direction and division state of the stem cells using a machine learning algorithm.
상기 검사 모듈은
상기 줄기세포들로 이루어진 검체를 적어도 하나의 배양 접시에 배치하여 라만 분광 검사를 준비하고 상기 줄기세포들이 분포된 배치된 적어도 하나의 배양 접시를 전처리하는 검체 검사 및 전처리부;
상기 줄기세포들로 이루어진 검체들에 대해 라만 산란(Raman scattering) 방식의 검사를 수행해서 라만 시그널을 획득하는 라만 시그널 검출부; 및
라만 분광 장비를 이용하여 미리 설정된 파장 범위를 샘플링하고, 샘플링된 파장 범위의 상기 라만 분광 스펙트럼 이미지를 추출하는 이미지 검출부를 포함하는 라만 분광 분석을 이용한 줄기세포 분류 장치.According to claim 9,
The inspection module
a sample inspection and pre-processing unit for preparing a Raman spectroscopic examination by disposing a specimen made of the stem cells in at least one culture dish and pre-processing the at least one culture dish in which the stem cells are distributed;
a Raman signal detector for obtaining a Raman signal by performing a Raman scattering test on the specimens made of the stem cells; and
A stem cell sorting device using Raman spectroscopy, comprising: an image detector for sampling a preset wavelength range using Raman spectroscopy equipment and extracting a Raman spectroscopy spectrum image of the sampled wavelength range.
상기 줄기세포 분석 모듈은
공초점 현미경 측정을 통해 검출된 줄기세포들의 개수, 상기 각 줄기세포의 크기 정보, 및 상기 라만 분광 검사를 통한 분광 검사 결과 값들을 확인하는 구성 성분 확인부;
상기 줄기세포들의 분화 방향 및 상태 평가를 위해 라만 분광 검사 결과를 라만 기준 평균 값과 비교하는 성분 비교 분석부; 및
상기 줄기세포들에 대한 미리 설정된 표적 물질들의 성분 변화량 및 줄기세포 구성 요소들의 분화 크기 변화량을 확인하여 상기 줄기세포들에 대한 계통 및 분류 요소들에 대한 목록 정보를 설정하는 성장 유형 확인부를 포함하는 라만 분광 분석을 이용한 줄기세포 분류 장치.According to claim 10,
The stem cell analysis module
a component confirmation unit for checking the number of stem cells detected through confocal microscopy, size information of each stem cell, and spectroscopy result values through the Raman spectroscopy;
a component comparison analysis unit that compares a Raman spectroscopy test result with a Raman reference average value in order to evaluate the differentiation direction and state of the stem cells; and
A Raman including a growth type confirmation unit configured to set inventory information on lineages and classification elements for the stem cells by checking the amount of change in the components of the target substances set in advance for the stem cells and the amount of change in the differentiation size of the stem cell components Stem cell sorting device using spectroscopic analysis.
상기 줄기세포 분석 모듈은
상기 라만 기준 평균 값들 대비 라만 분광 검사 결과 값들이 미리 설정된 오차 범위보다 크게 추출된 대상의 줄기세포들을 레이저 장비로 선택적으로 제거하는 줄기세포 폐기부를 더 포함하는 라만 분광 분석을 이용한 줄기세포 분류 장치.According to claim 10,
The stem cell analysis module
Stem cell sorting device using Raman spectroscopy further comprising a stem cell discard unit for selectively removing stem cells of a target whose Raman spectroscopy test result values are larger than a preset error range compared to the Raman reference average values with a laser device.
상기 줄기세포 폐기부는
상기 라만 기준 평균 값들 대비 상기 라만 분광 검사 결과 값들 실시간으로 또는 미리 설정된 기간 단위로 검출하고 비교하여, 상기 라만 평균 기준 값 대비 미리 설정된 오차 범위를 벗어나는 줄기세포들을 검출하고 저장함으로써, 오차 범위에서 벗어나는 줄기세포들에 대한 폐기 시점 정보를 정량화하는 라만 분광 분석을 이용한 줄기세포 분류 장치.According to claim 12,
The stem cell discard unit
By detecting and comparing the results of the Raman spectroscopy test in real time or in a preset period of time against the Raman reference average values to detect and store stem cells that are out of a preset error range compared to the Raman average reference value, the stems that fall out of the error range A stem cell sorting device using Raman spectroscopic analysis to quantify the discard point information for cells.
상기 데이터 학습 모듈은
상기 줄기세포들에 대한 계통 및 분류 요소들에 대한 목록 정보, 각 줄기세포의 크기 정보, 각 줄기세포에 포함된 적어도 한 구성 요소에 대한 분화 크기 변화량, 각 줄기세포에 포함된 표적 물질들의 성분 변화량을 미리 설정 및 선택된 머신 러닝 프로그램에 기계 학습 인자로 입력하는 학습 인자 입력부;
상기 머신 러닝 프로그램을 통한 기계 학습을 수행하여 라만 평균 데이터, 라만 기준 평균 값, 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 재설정 및 정량화하는 기계학습 처리부; 및
라만 평균된 줄기세포의 분화 방향 및 분열 상태에 대한 정보들을 머신 러닝 기반으로 분석하여 줄기세포의 분화 유형을 예측하는 라만 기준 데이터 생성부를 포함하는 라만 분광 분석을 이용한 줄기세포 분류 장치.According to claim 10,
The data learning module
List information on the lineages and classification elements of the stem cells, size information of each stem cell, amount of differentiation size change for at least one component included in each stem cell, amount of change in the components of target substances included in each stem cell a learning factor input unit for inputting as a machine learning factor to a previously set and selected machine learning program;
a machine learning processing unit that performs machine learning through the machine learning program to reset and quantify information on Raman average data, Raman reference average values, and differentiation direction and division state of stem cells; and
A stem cell classification device using Raman spectroscopic analysis including a Raman reference data generation unit that predicts a differentiation type of stem cells by analyzing Raman averaged information on the differentiation direction and division state of stem cells based on machine learning.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005214A KR20230109349A (en) | 2022-01-13 | 2022-01-13 | Method and device for classificatin of stem cell using raman spectroscopic analysis |
| PCT/KR2022/021432 WO2023136510A1 (en) | 2022-01-13 | 2022-12-27 | Stem cell classification method and apparatus using raman spectroscopic analysis |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220005214A KR20230109349A (en) | 2022-01-13 | 2022-01-13 | Method and device for classificatin of stem cell using raman spectroscopic analysis |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230109349A true KR20230109349A (en) | 2023-07-20 |
Family
ID=87279396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220005214A KR20230109349A (en) | 2022-01-13 | 2022-01-13 | Method and device for classificatin of stem cell using raman spectroscopic analysis |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR20230109349A (en) |
| WO (1) | WO2023136510A1 (en) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210117796A (en) | 2020-03-20 | 2021-09-29 | 주식회사 토모큐브 | Method and apparatus for classifying of cell subtype using three-dimensional refractive index tomogram and machine learning |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200068697A (en) * | 2017-10-06 | 2020-06-15 | 론자 리미티드 | Automatic control of cell culture using Raman spectroscopy |
| KR20190054746A (en) * | 2017-11-14 | 2019-05-22 | 중앙대학교 산학협력단 | Stem cell analyzing method |
-
2022
- 2022-01-13 KR KR1020220005214A patent/KR20230109349A/en not_active Application Discontinuation
- 2022-12-27 WO PCT/KR2022/021432 patent/WO2023136510A1/en unknown
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210117796A (en) | 2020-03-20 | 2021-09-29 | 주식회사 토모큐브 | Method and apparatus for classifying of cell subtype using three-dimensional refractive index tomogram and machine learning |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023136510A1 (en) | 2023-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mistek et al. | Race differentiation by Raman spectroscopy of a bloodstain for forensic purposes | |
| Fenech et al. | HUMN project initiative and review of validation, quality control and prospects for further development of automated micronucleus assays using image cytometry systems | |
| JP4868207B2 (en) | Screening method and screening apparatus | |
| Meister et al. | Confocal Raman microspectroscopy as an analytical tool to assess the mitochondrial status in human spermatozoa | |
| US11879135B2 (en) | Method for determining undifferentiated state of pluripotent stem cell, method for subculturing pluripotent stem cell, and device for use in the methods | |
| Jones et al. | Preprocessing strategies to improve MCR analyses of hyperspectral images | |
| JP5937780B2 (en) | Fluorescence spectrum correction method and fluorescence spectrum measuring apparatus | |
| CN109297949B (en) | Tumor cell detection method and device by combining microscopic image with transmission Raman spectrum | |
| US20140329237A1 (en) | Means and methods for assessing sperm nuclear dna structure | |
| DE102013217532A1 (en) | Microdissection apparatus and method for isolating cells of a predetermined cell type | |
| US20060192113A1 (en) | Method and apparatus for analyzing body fluids | |
| WO2006031273A2 (en) | Cellular phenotype | |
| US20190362491A1 (en) | Computer-implemented apparatus and method for performing a genetic toxicity assay | |
| KR20230109349A (en) | Method and device for classificatin of stem cell using raman spectroscopic analysis | |
| Zhu et al. | Measurement of bacterial concentration fractions in polymicrobial mixtures by Raman microspectroscopy | |
| US20090191544A1 (en) | Correlating chemical and spatial data within pathology samples | |
| EP3978902A1 (en) | Maturity classification of stained reticulocytes using optical microscopy | |
| WO2016207986A1 (en) | Inspection system, inspection device, and inspection method | |
| JP2005055180A (en) | Bacterium identification device and method | |
| CN111896456A (en) | Single cell analysis method based on micro-fluidic and hyperspectral imaging | |
| EP4357446A1 (en) | State inference system and state inference method | |
| EP4293342A1 (en) | Automatic analyzer and method for optically analyzing a biological sample | |
| JP6977977B1 (en) | Medium abnormality detection device and abnormality detection method | |
| Dell'Anna et al. | A critical presentation of innovative techniques for automated pollen identification in aerobiological monitoring networks | |
| Jonas et al. | Semi-automated quantitative validation tool for medical image processing algorithm development |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |