【技術實現步驟摘要】
：本專利技術屬于生物，具體涉及一種基于高通量及人工智能對細胞成脂分化評分的方法。
技術介紹
0、
技術介紹
：
1、細胞培養肉是未來的一項新興技術，是指直接培養畜禽干細胞，使其增殖、分化經過組織工程加工后得到肉類產品，實現不需要養豬就能吃到豬肉。在細胞培養肉中細胞通過分化成肌、成脂是一個關鍵環節，其中脂肪是肉類必不可少的重要營養和風味組成，在這個過程中對細胞成脂分化的評價，傳統上通過染色的方式，例如：油紅染色、熒光染色(bodipy、尼羅紅等)得到細胞分化的脂質染色圖像，對圖像進行分析(計數脂滴或者染色面積)確定細胞分化效果，又或者通過分子生物學實驗，提取細胞成脂過程中關鍵的基因、蛋白，對其變化進行分析得到細胞分化效果，兩種方式在篩選誘導細胞分化效果的因子時會耗時耗力，同時前者往往會因為觀察者的不同而產生偏差。
2、人工智能是近年來非常熱門的研究方向，它在計算機視覺中應用案例非常廣泛，其中深度學習以其高效的圖像特征識別和預測能力為細胞生物學的研究提供了新的機會和方案，能夠取代以上現有的方法直接做到對圖像的細胞成脂分化評價，研究中表明，利用深度學習能夠對細胞中的脂滴進行直接計數，從而進行評價，但是該方面的應用多用于2d細胞，3d懸浮細胞成脂分化的應用卻很少。
3、針對上述問題，基于高通量及人工智能對細胞成脂分化評分的方法研發效率，實踐中主要技術門檻如下：
4、1)樣本量需要足夠的積累；這些樣本中細胞數據除去團塊需要以單細胞的形態呈現；
5、2)模型的選擇與損失函數的確定：模型
6、3)模型如何在實際中使用：模型的性能可以通過指標進行評價，但由于數值的范圍廣泛以及生物數據的多樣性指標不能直接說明其效果，在現有足夠的數據下，模型在實際中如何確定對樣本的評價；
7、4)生產中不同批量細胞成脂分化評分的效果：利用模型直接細胞的明場圖直接進行成脂分化評價的模型較少報道。
技術實現思路
0、
技術實現思路
：
1、針對現有技術的以上缺陷或改進需求，本專利技術提供了一種基于高通量及人工智能對細胞成脂分化評分的方法，其目的利用高通量的快速拍攝和人工智能對圖像的批量學習，能夠直接對細胞明場圖片進行評分，而傳統的方法，染色和分子生物學方式將作為輔助手段。并由此能應用于快速篩選對細胞有促分化效果的因子以及幫助我們快速判斷細胞成脂分化收獲時間點。
2、本專利技術提供了一種基于高通量及人工智能對細胞成脂分化評分的方法，解決了當前缺乏對明場下細胞成脂分化評分的難題，具有快速、批量、準確的優勢，為產品的收獲(確定細胞是否達到收獲需求)以及因子的篩選提供了指導。
3、為實現上述目的，本申請提出如下技術方案：
4、1)數據集獲?。?/p>
5、d0-d4的細胞明場圖片獲取，高通量方案下以對照組為統一標準(這里為d0)拍攝，細胞熒光強度值的獲取也是以對照組d0為標準獲取，熒光強度值對應每個單細胞并對其進行命名，所有圖片的大小會在模型訓練時保持一致，采用數據增強擴充數據集。
6、2)網絡框架構建：
7、目標檢測部分(識別模型)yolov7網絡架構為開源結構可直接獲取(https://github.com/bubbliiiing/yolov7-pytorch)，熒光強度值預測部分(預測模型)網絡結構采用resnet101作為基礎架構，并通過引入squeeze-and-excitation(se)模塊進行增強，se模塊通過自適應調整特征通道的權重，增強重要特征的學習，將其設定在resnet101全連接層的前面，接著修改全連接層，添加dropout正則化層，防止其過擬合，同時改變輸出通道數為1，使其完成數值預測。
8、3)損失函數、優化器與學習率設定：
9、目標檢測部分yolov7損失函數為其自帶yololoss損失函數引入，預測熒光強度值部分，根據huberloss公式，采用帶有自適應參數δ的huber損失函數，已提高模型對異常值的魯棒性并減少對偏導數的計算；使用adamw優化器進行模型權重調整，學習率初始值為0.0002，權重衰減為0.001；采用reducelronplateau策略自適應調整學習率，當驗證損失長期未見顯著改善時，學習率降低10倍。
10、4)模型評估：
11、模型最終效果是對一張高通量拍攝所得完整細胞明場圖識別，計數圖片中的細胞量以及預測每個細胞的熒光強度值，并計算該圖的平均熒光強度值與標準差，評價模型在實際中的效果，三個指標mse、rmse、r2對應下的數值結果做出初步評價。
12、進一步的，對拍攝體系96孔板設置不同的樣本接種梯度，每個孔板按照1、6、12、24、48的接種孔數接種，設置三組不同分化狀態的樣本(每組平行樣3個)，將其分別接種，每塊板只接種一個樣本，根據模型的預測計算的平均熒光強度值與真實的熒光強度值進行比較誤差，由誤差大小的差異性以及實際的工作量確定模型的實際性能。
13、進一步的，模型是否具備區分不同樣本的能力，對模型還需評估，設置三組不同分化狀態的樣本，按照上一個實驗中所得到的接種孔數，接種于同一塊板上，同樣比較模型預測值與真實值誤差，根據兩個驗證實驗確定模型在實際中應該如何使用。
14、作為第一種細胞成脂分化評分方法，將平均熒光強度值轉換為0-100的百分制分數：
15、
16、xi表示第i張圖像的平均熒光強度，x?max和x?min分別表示記錄的平均熒光強度范圍內的最大值和最小值；yi表示百分比量表上的轉換值。
17、作為第二種細胞成脂分化評分方法，平均熒光強度通過下式劃分檔位：
18、y＝0.5226x-52.014
19、其中，x表示圖像的平均熒光強度，y表示劃分后數值，根據y的數值確定檔位，其中：
20、y∈[100,+∞)，表示檔位a；y∈[67,100)，表示檔位b；y∈[51,67)，表示檔位c；y∈[13,51)，表示檔位d；y∈[0,13)，表示檔位e；y∈(-∞,0)，表示檔位f。
21、有益效果：
22、相較于原先對細胞成脂分化定量分析，無論是油紅、熒光染色圖像分析還是分子生物學(qpcr\wb)的基因或蛋白層面的分析，都耗時耗力，且染色圖像分析容易造成觀察著偏差。本專利技術解決了以上的問題，具有直觀、準確、批量的優勢，為未來對誘導分化的因子篩選更加便捷。
本文檔來自技高網...【技術保護點】
1.一種基于高通量及人工智能對細胞成脂分化評分的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于：所述獲取數據集中，高通量拍攝：以未分化的細胞D0作為標準，統一D0-D4的細胞明場、Bodipy脂肪染色、Hoechst細胞核染色下的拍攝參數，同時以D0為標準，統一D0-D4的細胞Bodipy熒光拍攝分析下的參數；得到不同分化天數條件下細胞的明場圖，同時根據分析得到不同分化天數下明場圖片中每個細胞的熒光強度值，以及對應下的平均熒光強度值；其中D1、D2、D3、D4分別表示分化第一天、分化第二天、分化第三天、分化第四天。
3.根據權利要求2所述的方法，其特征在于：不同分化狀態下的細胞，對應不同分化天數下收集的細胞，細胞分化過程中每隔一天進行一次補料，整體的分化周期為4天。
4.根據權利要求1所述的方法，其特征在于：識別模型采用yolov7算法及網絡架構，完整的明場圖作為識別模型的數據集，通過EasyDL平臺進行標識處理，并采用數據增強手段，選擇并行增強、翻轉，擴充其數據量，設置訓練：驗證：測試＝8:1:1，采用SGD優化器
5.根據權利要求1所述的方法，其特征在于：預測模型是一個回歸任務，在這里單細胞明場圖片是輸入，其細胞對應的熒光強度值是特征標簽，所有輸入的圖像均處理成統一分辨率大小；采用數據增強手段，添加了隨機水平垂直翻轉、范圍在20度以內的隨機旋轉、仿射變換以及顏色變換，擴充其數據量，設置訓練：測試＝8:2。
6.根據權利要求5所述的方法，其特征在于：預測模型通過pytorch工具庫nn.Module定義預測模型ResNet101網絡結構，使用網絡的pretrained模式，該權重是在IamgeNet數據集上訓練得到，輸入數據滿足模型適應需求，對其三個通道的像素進行標準化以符合ImageNet數據集，Resnet101最后的輸出層為全連接層，添加SE注意力機制和Dropout層，SE注意力機制添加于全連接層前，自適應地調整每個通道的權重；Dropout層設定丟棄率參數為0.5，一半的神經元將在每次前向傳遞中被"關閉"防止過擬合。
7.根據權利要求5所述的方法，其特征在于：預測模型損失函數的選擇確定為HuberLoss，HuberLoss的公式：
8.根據權利要求5所述的方法，其特征在于：模型通過均方誤差MSE、均方根誤差RMSE、決定系數R2評估指標表現，其中：
9.根據權利要求1所述的方法，其特征在于：對拍攝體系96孔板設置不同的樣本接種梯度，每個孔板按照1、6、12、24、48的接種孔數接種，設置三組不同分化狀態的樣本，將其分別接種，每塊板只接種一個樣本，根據模型的預測計算的平均熒光強度值與真實的熒光強度值進行比較誤差，由誤差大小的差異性以及實際工作量確定模型的實際性能。
10.根據權利要求1所述的方法，其特征在于步驟S3中：將平均熒光強度值轉換為0-100的百分制分數作為細胞成脂分化評分：
...【技術特征摘要】
1.一種基于高通量及人工智能對細胞成脂分化評分的方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的方法，其特征在于：所述獲取數據集中，高通量拍攝：以未分化的細胞d0作為標準，統一d0-d4的細胞明場、bodipy脂肪染色、hoechst細胞核染色下的拍攝參數，同時以d0為標準，統一d0-d4的細胞bodipy熒光拍攝分析下的參數；得到不同分化天數條件下細胞的明場圖，同時根據分析得到不同分化天數下明場圖片中每個細胞的熒光強度值，以及對應下的平均熒光強度值；其中d1、d2、d3、d4分別表示分化第一天、分化第二天、分化第三天、分化第四天。
3.根據權利要求2所述的方法，其特征在于：不同分化狀態下的細胞，對應不同分化天數下收集的細胞，細胞分化過程中每隔一天進行一次補料，整體的分化周期為4天。
4.根據權利要求1所述的方法，其特征在于：識別模型采用yolov7算法及網絡架構，完整的明場圖作為識別模型的數據集，通過easydl平臺進行標識處理，并采用數據增強手段，選擇并行增強、翻轉，擴充其數據量，設置訓練：驗證：測試＝8:1:1，采用sgd優化器，權重衰減參數為5e-4，學習率為1e-2，采用余弦退火學習率調度cos法。
5.根據權利要求1所述的方法，其特征在于：預測模型是一個回歸任務，在這里單細胞明場圖片是輸入，其細胞對應的熒光強度值是特征標簽，所有輸入的圖像均處理成統一分辨率大?。徊捎脭祿鰪娛侄危砑恿穗S機水平垂直翻轉、范圍在20度以內的隨機旋轉、仿射變...
【專利技術屬性】
技術研發人員：丁世杰，周光宏，楊禮源，吳中元，
申請(專利權)人：南京周子未來食品科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。