导读：

单细胞的机械特性分析对于细胞生物学和医学诊断具有重要意义。然而，传统的细胞机械特性测量方法通常局限于从单张图像中获取单一参数，这可能因细胞异质性而导致识别准确性受限。为了提高细胞识别的准确性和效率，近期，东南大学项楠教授课题组提出了一种高通量可调变形性细胞仪，用于单细胞的多参数机械表型分析。相关研究以“Multiparameter Mechanical Phenotyping for Accurate Cell Identification Using High-Throughput Microfluidic Deformability Cytometry”为题目，发表在期刊《Analytical Chemistry》上。

本文要点：

1、本研究开发了一种高通量可调变形性细胞仪，实现了细胞力学性能的准实时多参数分析。

2、首先从细胞轮廓中提取了12个可变形性参数。然后，进行细胞识别的机器学习，初步验证多参数机械表型的合理性。

3、细胞骨架修饰后的表征实验证实，从细胞轮廓中提取的多个参数有助于提高识别准确率（超过80%）。

4、通过对细胞变形过程的连续帧分析，研究者发现参数的时间变化和平均水平与细胞类型密切相关。

5、为了实现快速、高精度的细胞检测，构建了反向传播（BP）神经网络模型，最终将细胞检测准确率提升至90%以上。

6、为了解决临床样本细胞稀少和数据缺乏的挑战，在开发的BP神经网络模型的基础上，采用迁移学习方法对三种不同的临床样本进行识别，最终实现了约95%的高识别准确率。

全文总结/概括：

微流控形变流式细胞仪在单细胞分析中的优势主要包括：

1、高分辨率测量：能够细致测量细胞的机械特性，包括细胞的弹性和塑性变形。

2、多参数分析能力：通过提取多种与细胞形变相关的参数，可提供对细胞状态的全面评估。

3、高通量筛选：能够快速连续地分析大量细胞，提高了实验的效率和通量。

4、微量样本需求：由于微流控技术的特性，所需样本和试剂的量极少，适合珍贵样本的分析。

5、温和的细胞处理：微流控芯片中的流体动力学条件相对温和，减少了对细胞的损伤和压力，有助于保持细胞的自然状态。

6、实时或准实时分析：可以快速得到测量结果，适用于需要快速响应的实验和临床应用。

7、细胞异质性识别：能够揭示细胞群体内部的异质性，有助于区分不同类型的细胞或细胞状态。

8、集成化操作：微流控技术可将多个实验步骤集成到单个平台上，简化了实验流程。

微流控形变流式细胞仪如何通过多参数分析提高细胞识别的准确性？

1、多参数提取：通过从细胞轮廓中提取12个不同的变形性参数，增加了对细胞机械特性的描述维度，从而提供了更全面的细胞状态信息。

2、机器学习：利用机器学习算法对多参数数据进行分析，通过算法的模式识别能力提高细胞识别的准确性。

3、时间序列分析：通过连续帧图像分析，研究细胞在变形过程中的时间序列变化，捕捉细胞变形的动态特性，增加了识别过程的信息量。

4、BP神经网络模型：构建反向传播神经网络模型，利用其强大的非线性映射能力，对细胞进行快速准确的分类和识别。

5、迁移学习策略：针对临床样本中稀有细胞的识别问题，采用迁移学习策略，借助预训练模型积累的知识，迅速适配新数据集，以此增强识别的精确度。

图1.使用可调节变形性细胞仪和深度学习对细胞力学性能进行多参数分析。

图2.正常A549细胞和CytoD处理的A549细胞变形能力的多参数分析。

图3.细胞变形过程的多参数分析。

图4.基于变形过程的BP神经网络多参数识别。

图5.使用迁移学习进行临床样本验证。

原文链接：https://doi.org/10.1021/acs.analchem.4c01175