CN118051808A - 一种基于ai的细胞识别方法和*** - Google Patents
一种基于ai的细胞识别方法和*** Download PDFInfo
- Publication number
- CN118051808A CN118051808A CN202410445936.9A CN202410445936A CN118051808A CN 118051808 A CN118051808 A CN 118051808A CN 202410445936 A CN202410445936 A CN 202410445936A CN 118051808 A CN118051808 A CN 118051808A
- Authority
- CN
- China
- Prior art keywords
- cell
- sample
- characteristic
- sample cell
- cells
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000004083 survival effect Effects 0.000 claims abstract description 74
- 238000004458 analytical method Methods 0.000 claims abstract description 51
- 230000012010 growth Effects 0.000 claims abstract description 51
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000004088 simulation Methods 0.000 claims abstract description 44
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 19
- 238000004113 cell culture Methods 0.000 claims abstract description 18
- 238000011161 development Methods 0.000 claims abstract description 10
- 230000000877 morphologic effect Effects 0.000 claims description 35
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 32
- 230000022131 cell cycle Effects 0.000 claims description 32
- 239000001301 oxygen Substances 0.000 claims description 32
- 229910052760 oxygen Inorganic materials 0.000 claims description 32
- 230000004069 differentiation Effects 0.000 claims description 25
- 230000035755 proliferation Effects 0.000 claims description 24
- 238000011160 research Methods 0.000 claims description 21
- 230000001413 cellular effect Effects 0.000 claims description 18
- 230000001086 cytosolic effect Effects 0.000 claims description 14
- 230000019771 cognition Effects 0.000 claims description 13
- 230000010261 cell growth Effects 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000018109 developmental process Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012258 culturing Methods 0.000 claims description 4
- 238000003058 natural language processing Methods 0.000 claims description 4
- 230000004049 epigenetic modification Effects 0.000 claims description 3
- 230000013632 homeostatic process Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003706 image smoothing Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 230000022983 regulation of cell cycle Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003833 cell viability Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 210000004027 cell Anatomy 0.000 description 415
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 230000024245 cell differentiation Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 210000000805 cytoplasm Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000001963 growth medium Substances 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000000338 in vitro Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004543 DNA replication Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000032677 cell aging Effects 0.000 description 1
- 239000006143 cell culture medium Substances 0.000 description 1
- 230000030833 cell death Effects 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000004663 cell proliferation Effects 0.000 description 1
- 230000005859 cell recognition Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 210000004748 cultured cell Anatomy 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000007877 drug screening Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000000684 flow cytometry Methods 0.000 description 1
- 239000007850 fluorescent dye Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种基于AI的细胞识别方法和***,涉及人工智能技术领域。该一种基于AI的细胞识别方法和***,集成了生存环境评估模块、特征评估模块、特征识别模块,基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;基于样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种基于AI的细胞识别方法和***。
背景技术
细胞具有自我更新和多向分化为各种细胞类型的能力,因此在生物医学领域具有巨大的潜力,可用于组织工程、再生医学、药物筛选等方面,但要充分发挥其应用价值,需要对细胞进行精准的识别和分类。
传统的细胞特征识别方法通常依赖于显微镜观察和手工分析,存在人工主观性、耗时性和误差性等问题,难以满足大规模数据处理和高精度识别的需求,随着人工智能技术的快速发展,尤其是深度学习技术的兴起,其在图像识别、模式识别等领域的应用逐渐成熟,为细胞特征识别提供了新的解决方案。
利用AI人工智能可以通过收集大量的细胞图像,利用深度学习模型中的卷积神经网络从图像中提取与细胞特征相关的信息,使用提取到的特征和相应的标签,利用监督学习算法,如支持向量机可以训练一个AI模型来进行细胞特征识别,利用训练好的模型对新的未知图像进行预测,并输出细胞的类别或特征信息,能够精准有效对细胞进行识别和分类。
例如公告号:CN105224598B公开的一种基于动态特征的异构物联网标识识别方法及***,利用AI物联网技术,解决了物联网标识码在命名空间发生冲突情况下的LOTID识别问题,使用特征向量描述物联网标识类型和待识别LOTID,通过向量距离刻画待识别LOTID对发生冲突的标识类型的隶属度,为构建能兼容各类异构物联网标识的统一物联网解析***奠定基础,能大幅提升物联网标识的识别率,过程简单,识别速度快。
参照上述识别方法,基于大量细胞图像和相关特征数据,结合深度学习等技术,可以建立数据驱动的细胞特征识别模型,从而实现自动化、高效率和高精度的细胞特征识别。
因此,针对以上问题,亟待需要一种基于AI的细胞识别方法和***。
发明内容
针对现有技术的不足,本发明提供了一种基于AI的细胞识别方法和***,解决了传统细胞研究无法快速精准识别提取细胞特征,对于大量的细胞特征数据缺乏统一评估研究标准,利用细胞特征识别对细胞进行分类研究困难的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于AI的细胞特征识别方法,包括以下步骤:基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;基于样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
进一步地,获取样本细胞生存环境特征值具体为:实时监测样本细胞培育过程;基于实时监测样本细胞培育过程及细胞生存环境需求获取样本细胞生存环境信息,所述样本细胞生存环境信息具体包括:氧浓度、细胞外力、温度、PH值;基于细胞生存环境需求认知获取预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值;利用氧浓度、细胞外力、温度、PH值分别与预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值进行对比分析,获得样本细胞生存环境特征值。
进一步地,所述样本细胞生存环境特征值具体计算公式为:;式中/>表示为样本细胞生存环境特征值,/>表示为样本细胞的生存监测样本周期编号,/>,/>表示为样本细胞的生存监测样本周期总数,/>表示为第/>个样本细胞的生存监测样本周期的氧浓度,/>表示为第/>个样本细胞的生存监测样本周期的细胞外力,/>表示为第/>个样本细胞的生存监测样本周期的温度,/>表示为第/>个样本细胞的生存监测样本周期的PH值,/>表示为预设的氧浓度,/>表示为预设的细胞外力,/>表示为预设的温度,/>表示为预设的PH值,/>表示氧浓度的权重因子,/>表示细胞外力的权重因子,/>表示温度的权重因子,/>表示PH值的权重因子。
进一步地,所述获得样本细胞特征评估值具体为:获取样本细胞的特征相关信息;根据样本细胞的特征相关信息分析,利用深度学习模型中的卷积神经网络进行自动学习特征,获得样本细胞的形态特征值、生长特征值、周期寿命特征值;所述形态特征值用于数值化表示样本细胞的形态特征情况;所述生长特征值用于数值化表示样本细胞的生长特征情况;所述周期寿命特征值用于数值化表示样本细胞的周期寿命特征情况;利用深度学习模型卷积神经网络对样本细胞的形态特征值、生长特征值、周期寿命特征值与样本细胞生存环境特征值进行分析训练,获得样本细胞特征评估值,所述样本细胞特征评估值用于数值化表示样本细胞的基本特征状况。
进一步地,所述样本细胞特征评估值具体计算公式为:;式中/>表示为样本细胞特征评估值,表示为样本细胞的形态特征值,/>表示为样本细胞的生长特征值,/>表示为样本细胞的周期寿命特征值,/>表示为样本细胞生存环境特征值,/>表示样本细胞的形态特征值的权重因子,/>表示样本细胞的生长特征值的权重因子,/>表示样本细胞的周期寿命特征值的权重因子,/>表示样本细胞生存环境特征值的权重因子。
进一步地,所述获取样本细胞的特征相关信息具体为:基于样本细胞生存环境特征值分析,判断样本细胞适宜生存环境;根据样本细胞适宜生存环境进行细胞生存模拟实验;基于实时监测细胞生存模拟实验过程获取样本细胞图像,并对样本细胞图像进行预处理,所述预处理包括图像去噪、图像分割、平滑处理、对比度调整;利用AI卷积神经网络对样本细胞图像进行识别与分析,提取样本细胞相关特征,所述样本细胞相关特征包括:细胞自我更新能力、多潜能性、不对称***、稳态平衡、表面标记物、细胞周期调控、表观遗传学修饰;利用AI自然语言处理技术对细胞相关的文献、数据库和文本信息进行分析和挖掘,提取细胞特征信息;结合样本细胞相关特征与细胞特征信息分析,获取用于识别样本细胞的特征相关信息。
进一步地,所述样本细胞的特征相关信息具体包括:样本细胞形态特征信息、样本细胞生长特征信息、样本细胞周期寿命特征信息;所述样本细胞形态特征信息具体包括:核质比、直径;所述样本细胞生长特征信息具体包括:增值速率、倍增时间、分化种类数;所述样本细胞周期寿命特征信息具体包括:细胞周期长度、细胞寿命。
进一步地,样本细胞的形态特征值具体获取方式为:基于细胞形态特征认知获取预设的核质比、预设的直径,结合核质比、直径与预设的核质比、预设的直径进行对比分析,获取样本细胞的形态特征值,形态特征值计算公式为:;
式中表示为样本细胞的形态特征值,/>表示为细胞生存模拟实验编号,,/>表示为细胞生存模拟实验总次数,/>表示为样本细胞研究编号,,/>表示为样本细胞研究总数,/>表示为第/>次细胞生存模拟实验的第个样本细胞的核质比,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的直径,表示预设的核质比,/>表示为预设的直径,/>表示核质比的权重因子,/>表示直径的核质比;样本细胞的生长特征值具体获取方式为:基于细胞形态特征认知获取预设的增值速率、预设的倍增时间、预设的分化种类数,结合增值速率、倍增时间、分化种类数与预设的增值速率、预设的倍增时间、预设的分化种类数分析,获取样本细胞的生长特征值,生长特征值的计算公式为:/>;式中/>表示为样本细胞的生长特征值,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的增值速率,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的倍增时间,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的分化种类数,/>表示预设的增值速率,/>表示预设的倍增时间,/>表示预设的分化种类数,/>表示增值速率的权重因子,/>表示倍增时间的权重因子,/>表示分化种类数的权重因子;样本细胞的周期寿命特征值具体获取方式为:基于细胞形态特征认知获取预设的细胞周期长度、预设的细胞寿命,结合细胞周期长度、细胞寿命与预设的细胞周期长度、预设的细胞寿命进行对比分析,获取样本细胞的周期寿命特征值,周期寿命特征值计算公式为:/>;式中/>表示为样本细胞的周期寿命特征值,/>表示为第/>次细胞生存模拟实验的第个样本细胞的细胞周期长度,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的细胞寿命,/>表示预设的细胞周期长度,/>表示预设的细胞寿命,/>表示细胞周期长度的权重因子,/>表示细胞寿命的权重因子。
进一步地,对样本细胞进行特征识别与分类具体包括:基于细胞信息存储平台获取各类细胞的细胞特征值;结合样本细胞特征评估值与各类细胞的细胞特征值进行差值分析,获取样本细胞特征偏差值,分析样本细胞特征偏差值大小,选取样本细胞特征偏差值最小值对应的细胞种类作为样本细胞研究基准。
一种基于AI的细胞特征识别***,应用上述的一种基于AI的细胞特征识别方法,包括:生存环境评估模块,用于基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;特征评估模块,用于根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;特征识别模块,用于基于样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
本发明具有以下有益效果:
(1)、该一种基于AI的细胞识别方法和***,通过分析样本细胞的生存环境信息,可以评估细胞在培养过程中所处的微环境状况,有助于了解细胞生长发育的条件,为优化培养环境提供指导;通过进行生存环境模拟实验,获取样本细胞的特征相关信息,结合生存环境特征值进行分析计算,可以更全面地了解细胞的特征和行为,基于样本细胞的特征评估值,可以对细胞进行特征识别与分类,有助于识别不同类型或状态的细胞,为进一步研究提供基础;将分析结果自动化生成特征识别分析报告,能够为研究人员提供直观、清晰的结果,有助于节省时间和人力成本。
(2)、该一种基于AI的细胞识别方法和***,采取数据处理技术手段,对于样本细胞的识别与分类,首先基于对样本细胞生存环境的理解,对于样本细胞的生存环境评估结合了氧浓度、细胞外力、温度、PH值的综合计算,能够有效评估样本细胞的适宜生存环境状况;对于样本细胞的特征识别分类考虑到了样本细胞的形态特征值、生长特征值、周期寿命特征值与样本细胞生存环境特征值,综合计算得到的样本细胞特征评估值客观表示了样本细胞的基本特征状况,进而结合细胞信息存储平台获取各类细胞的细胞特征值分析计算,获取到的样本细胞特征偏差值,能够精准对样本细胞进行识别与分类,为样本细胞的进一步研究提供帮助,推动细胞的研究进展。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
图1为本发明一种基于AI的细胞特征识别方法流程图。
图2为本发明一种基于AI的细胞特征识别***结构图。
具体实施方式
本申请实施例通过一种基于AI的细胞识别方法和***,解决了传统细胞研究无法快速精准识别提取细胞特征,对于大量的细胞特征数据缺乏统一评估研究标准,利用细胞特征识别对细胞进行分类研究困难的问题。
本申请实施例中的问题,总体思路如下:
监测样本细胞培育过程中的各种环境参数,获取样本细胞生存环境特征值;基于样本细胞生存环境特征值,设计并进行模拟实验,模拟不同的生存环境条件下样本细胞的特征表现;获取样本细胞在不同环境条件下的特征相关信息,将样本细胞的特征相关信息与其生存环境特征值进行综合分析计算,获得样本细胞的特征评估值,基于样本细胞的特征评估值,进行特征识别与分类,将样本细胞分为不同的类型。
请参阅图1,本发明实施例提供一种技术方案:一种基于AI的细胞特征识别方法,包括以下步骤:基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值计算,获得样本细胞特征评估值;基于样本细胞特征评估值对样本细胞进行特征识别与分类,自动化生成样本细胞特征识别分析报告。
具体地,样本细胞生存环境特征值不仅可以通过机器学习集成模型进一步分析得到,使用集成方法如K均值聚类模型或支持向量机模型,将多个基础模型的评估结果进行组合,以获得更准确的样本细胞生存环境特征值,还可以通过以下方式计算得到,具体分析过程为:实时监测样本细胞培育过程;基于实时监测样本细胞培育过程及细胞生存环境需求获取样本细胞生存环境信息,包括氧浓度、细胞外力、温度、PH值;基于细胞生存环境需求认知获取预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值;利用氧浓度、细胞外力、温度、PH值分别与预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值进行对比分析,获得样本细胞生存环境特征值。
本实施方案中,通过实时监测样本细胞培养过程中的关键参数,可以及时了解培养环境的状态,从而及时调整培养条件,确保细胞在最佳生存环境中生长和分化;基于实时监测数据和细胞生存环境需求,***可以自动调整培养条件,使其接近或达到预设的氧浓度、细胞外力、温度和pH值,从而优化细胞的生存环境,提高其生存率和活力;持续监测和调整细胞培养环境,可以确保细胞在最适宜的条件下生长和分化,从而提高培养效率和培养出的细胞质量;自动化的实时监测和控制***可以减少人工干预,降低实验成本和时间,并提高实验的稳定性和可重复性。
具体地,样本细胞生存环境特征值具体计算公式为:;式中/>表示为样本细胞生存环境特征值,用于数值化表示样本细胞的生存环境状况,/>表示为样本细胞的生存监测样本周期编号,/>,/>表示为样本细胞的生存监测样本周期总数,/>表示为第/>个样本细胞的生存监测样本周期的氧浓度,/>表示为第/>个样本细胞的生存监测样本周期的细胞外力,/>表示为第/>个样本细胞的生存监测样本周期的温度,/>表示为第/>个样本细胞的生存监测样本周期的PH值,/>表示为预设的氧浓度,/>表示为预设的细胞外力,/>表示为预设的温度,/>表示为预设的PH值,/>表示氧浓度的权重因子,/>表示细胞外力的权重因子,/>表示温度的权重因子,/>表示PH值的权重因子。
本实施方案中,氧浓度的获取方式为:使用氧传感器或氧电极测量培养基中的氧浓度,培养箱或生物反应器中的气体控制***可以调节氧气流量,从而控制氧浓度,同时光学成像技术可以用于监测细胞内氧气浓度的变化;细胞外力的获取方式为:使用应变仪测量细胞培养基或细胞培养器中的力;温度的获取方式为:使用温度传感器或温度计测量培养基或细胞培养器中的温度;pH值的获取方式为:使用pH传感器或pH电极测量培养基或细胞培养器中的pH值;氧浓度、细胞外力、温度、PH值的预设值分别通过相关领域对于细胞的生存环境认知设定;氧浓度、细胞外力、温度、PH值的权重因子的设置取决于各个参数对细胞生存和生长的重要性,根据文献报道或经验知识,为每个参数分配权重,以反映它们对细胞生存环境的影响程度。
具体地,样本细胞特征评估值不仅可以通过机器学习集成模型进一步分析得到,使用集成方法如K均值聚类模型或支持向量机模型,将多个基础模型的评估结果进行组合,以获得更准确的样本细胞特征评估值,还可以通过以下方式计算得到,具体分析过程为:获取样本细胞的特征相关信息;根据样本细胞的特征相关信息分析,利用深度学习模型中的卷积神经网络进行自动学习特征,获得样本细胞的形态特征值、生长特征值、周期寿命特征值;形态特征值用于数值化表示样本细胞的形态特征情况;生长特征值用于数值化表示样本细胞的生长特征情况;周期寿命特征值用于数值化表示样本细胞的周期寿命特征情况;利用深度学习模型卷积神经网络对样本细胞的形态特征值、生长特征值、周期寿命特征值与样本细胞生存环境特征值进行分析训练,获得样本细胞特征评估值,用于数值化表示样本细胞的基本特征状况。
本实施方案中,通过收集样本细胞的形态特征、生长特征和周期寿命特征等相关信息,可以综合评估样本细胞的基本特征状况,有助于全面了解细胞的性质和行为,为后续的研究和应用提供基础数据;将细胞的形态特征、生长特征和周期寿命特征等信息数值化表示,有助于将细胞的特征量化,使得研究者可以更方便地比较不同样本之间的差异,也有利于建立模型和进行统计分析,考虑到细胞在不同环境条件下的表现和响应,有助于优化细胞培养条件,提高细胞的存活率和功能表现。
具体地,样本细胞特征评估值具体计算公式为:;式中/>表示为样本细胞特征评估值,用于数值化表示样本细胞的基本特征状况,/>表示为样本细胞的形态特征值,/>表示为样本细胞的生长特征值,/>表示为样本细胞的周期寿命特征值,/>表示为样本细胞生存环境特征值,/>表示样本细胞的形态特征值的权重因子,/>表示样本细胞的生长特征值的权重因子,/>表示样本细胞的周期寿命特征值的权重因子,/>表示样本细胞生存环境特征值的权重因子。
本实施方案中,不同的特征对于细胞的性质和行为有不同的影响,通过分别考虑形态、生长、周期寿命和生存环境等方面的特征,并为它们赋予适当的权重,可以更全面地评估细胞的基本特征;样本细胞的形态特征值、生长特征值、周期寿命特征值和生存环境特征值的权重因子的设置需要根据具体研究目的、数据分析和领域知识进行调整,由专业领域的专家提供关于形态、生长、周期寿命和生存环境等特征对于细胞基本特征的相对重要性的见解设置,或通过统计分析或机器学习方法来确定每个特征对于细胞行为的贡献程度设置。
具体地,获取样本细胞的特征相关信息具体为:基于样本细胞生存环境特征值分析,判断样本细胞适宜生存环境;根据样本细胞适宜生存环境进行细胞生存模拟实验;基于实时监测细胞生存模拟实验过程获取样本细胞图像,并对样本细胞图像进行预处理,包括图像去噪、图像分割、平滑处理、对比度调整;利用AI卷积神经网络对样本细胞图像进行识别与分析,提取样本细胞相关特征,包括:细胞自我更新能力、多潜能性、不对称***、稳态平衡、表面标记物、细胞周期调控、表观遗传学修饰;利用AI自然语言处理技术对细胞相关的文献、数据库和文本信息进行分析和挖掘,提取细胞特征信息;结合样本细胞相关特征与细胞特征信息分析,获取用于识别样本细胞的特征相关信息。
本实施方案中,通过对样本细胞生存环境特征值的分析,能够评估样本细胞在不同条件下的适宜性,为实验设计提供重要依据,通过模拟实验,可以更好地理解和模拟实际情况,从而为细胞的研究提供更真实的环境;利用实时监测获得的细胞图像,通过图像预处理和卷积神经网络的识别与分析,能够提取多种关键特征,有助于更深入地了解细胞的行为和特性,为后续研究提供可靠的数据支持;自然语言处理技术有助于获取细胞相关的丰富信息,可以为细胞特征的全面理解提供背景知识,并为研究提供更全面的参考。
具体地,样本细胞的特征相关信息包括:样本细胞形态特征信息、样本细胞生长特征信息、样本细胞周期寿命特征信息;样本细胞形态特征信息包括:核质比、直径;样本细胞生长特征信息包括:增值速率、倍增时间、分化种类数;样本细胞周期寿命特征信息包括:细胞周期长度、细胞寿命。
本实施方案中,核质比指细胞核与细胞质之间的比例,用来评估细胞的成熟程度和功能状态;直径指的是细胞的直径尺寸,以微米为单位,可以反映其大小和形态特征;增值速率指细胞在特定时间段内增加的数量,用来评估细胞的生长活力和增殖能力,增值速率越高,代表细胞的增殖能力越强;倍增时间指细胞繁殖所需的时间,以小时为单位,反映细胞的增殖速率和生长特性;分化种类数表示细胞可以分化成的不同细胞类型的数量,细胞具有分化为多种不同类型细胞的潜能,其分化种类数可以反映其多潜能性;细胞周期长度指一个细胞完成一个细胞周期所需的时间,以小时为单位,细胞周期包括一系列的细胞生长、DNA复制、细胞***等阶段,可以影响细胞的增殖和生长特性;细胞寿命表示细胞在体外或体内存活的时间长度。
具体地,样本细胞的形态特征值、生长特征值、周期寿命特征值与样本细胞生存环境特征值不仅可以通过机器学习集成模型进一步分析得到,使用集成方法如K均值聚类模型或支持向量机模型,将多个基础模型的评估结果进行组合,以获得更准确的样本细胞的形态特征值、生长特征值、周期寿命特征值,还可以通过以下方式计算得到,具体分析过程为:基于细胞形态特征认知获取预设的核质比、预设的直径,结合核质比、直径与预设的核质比、预设的直径进行对比分析,获取样本细胞的形态特征值;基于细胞形态特征认知获取预设的增值速率、预设的倍增时间、预设的分化种类数,结合增值速率、倍增时间、分化种类数与预设的增值速率、预设的倍增时间、预设的分化种类数分析,获取样本细胞的生长特征值;基于细胞形态特征认知获取预设的细胞周期长度、预设的细胞寿命,结合细胞周期长度、细胞寿命与预设的细胞周期长度、预设的细胞寿命进行对比分析,获取样本细胞的周期寿命特征值;样本细胞的形态特征值计算公式为:;式中/>表示为样本细胞的形态特征值,表示为细胞生存模拟实验编号,/>,/>表示为细胞生存模拟实验总次数,/>表示为样本细胞研究编号,/>,/>表示为样本细胞研究总数,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的核质比,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的直径,/>表示预设的核质比,/>表示为预设的直径,/>表示核质比的权重因子,/>表示直径的核质比;生长特征值的计算公式为:;式中/>表示为样本细胞的生长特征值,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的增值速率,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的倍增时间,/>表示为第/>次细胞生存模拟实验的第个样本细胞的分化种类数,/>表示预设的增值速率,/>表示预设的倍增时间,/>表示预设的分化种类数,/>表示增值速率的权重因子,/>表示倍增时间的权重因子,/>表示分化种类数的权重因子;周期寿命特征值计算公式为:;式中/>表示为样本细胞的周期寿命特征值,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的细胞周期长度,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的细胞寿命,/>表示预设的细胞周期长度,表示预设的细胞寿命,/>表示细胞周期长度的权重因子,/>表示细胞寿命的权重因子。
本实施方案中,核质比通过显微镜下观察细胞核和细胞质的大小,然后计算它们之间的比例来获取,可以通过染色或荧光染色来增强细胞核和细胞质的对比度,以便更容易地进行测量;细胞的直径通过显微镜观察并使用显微镜或成像软件测量来获取;增值速率通常通过定期记录细胞的数量并在一定时间段内计算增加的细胞数量来获得,需要在细胞培养中使用细胞计数仪或显微镜进行定期检查;倍增时间通过记录细胞数量的增长并使用特定的生长模型来计算得出;分化种类数通过将细胞引导分化成不同细胞类型,然后检查细胞形态、表型标记物或基因表达来确定,需要使用特定的培养条件和分化因子来诱导细胞向特定细胞类型分化;细胞周期长度通过标记细胞周期不同阶段的分子或化合物来获取,在细胞培养中添加到培养基中,然后使用显微镜或流式细胞术进行检测和分析;细胞寿命通过跟踪细胞在体外培养中的生长期限或在体内的存活时间来获取,体外培养中,记录细胞的增长状态并根据细胞死亡或老化的时间点来估计细胞的寿命;核质比、直径、增值速率、倍增时间、分化种类数、细胞周期长度、细胞寿命的预设值的设置取决于相关领域专业人员基于细胞基础知识认知了解设置;核质比、直径、增值速率、倍增时间、分化种类数、细胞周期长度、细胞寿命相对应的权重因子也取决于相关领域专业人员基于各个参数对细胞特征识别的影响程度调整设置,在具体实验与特定需求下可以进行调整优化。
具体地,对样本细胞进行特征识别与分类具体包括:获取样本细胞特征偏差值,分析样本细胞特征偏差值大小,选取样本细胞特征偏差值最小值对应的细胞种类作为样本细胞研究基准;样本细胞特征偏差值除通过细胞信息存储平台分析获取外还可以通过更加精确的计算方法获得,具体的计算方法如下:基于细胞信息存储平台获取各类细胞的细胞特征值;结合样本细胞特征评估值与各类细胞的细胞特征值进行差值分析,获取样本细胞特征偏差值,具体计算公式为:;式中/>表示细胞信息存储平台存储的细胞种类编号,/>,/>表示第/>类细胞与样本细胞之间的样本细胞特征偏差值,表示为样本细胞特征评估值,/>表示第/>类细胞的细胞特征值。
本实施方案中,通过比较样本细胞与各类细胞的特征值,可以找到与样本最相似的细胞种类作为研究基准,有助于确保研究基于与样本最相似的细胞类型,提高研究结果的准确性和可靠性,避免不必要的研究重复和资源浪费。
一种基于AI的细胞特征识别***,应用上述的一种基于AI的细胞特征识别方法,包括:生存环境评估模块,用于通过样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;特征评估模块,用于利用样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;特征识别模块,用于通过样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
综上,本申请至少具有以下效果:
通过获取样本细胞生存环境信息及特征值,可以评估细胞在不同微环境下的生长发育状况,有助于理解细胞与其周围环境的相互作用,为优化培养条件和细胞应用提供重要参考;通过模拟实验获取样本细胞特征相关信息,可以深入了解细胞在不同环境因素下的生存状态和表现,有助于揭示细胞的适应能力和生存机制;结合样本细胞的特征相关信息和生存环境特征值进行分析计算,能够获得对细胞特征的全面评估,帮助识别和分类不同类型的细胞,为进一步研究和应用提供基础数据支持。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、***的流程图、结构图来描述的。应理解可由计算机程序指令实现流程图和结构图中的每一流程和模块的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和结构图一个模块或多个模块中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和结构图一个模块或多个模块中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和结构图一个模块或多个模块中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于AI的细胞特征识别方法,其特征在于,包括以下步骤:
基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;
根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;
基于样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
2.根据权利要求1所述的一种基于AI的细胞特征识别方法,其特征在于,所述获取样本细胞生存环境特征值具体为:
实时监测样本细胞培育过程;
基于实时监测样本细胞培育过程及细胞生存环境需求获取样本细胞生存环境信息,所述样本细胞生存环境信息具体包括:氧浓度、细胞外力、温度、PH值;
基于细胞生存环境需求认知获取预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值;
利用氧浓度、细胞外力、温度、PH值分别与预设的氧浓度、预设的细胞外力、预设的温度、预设的PH值进行对比分析,获得样本细胞生存环境特征值。
3.根据权利要求2所述的一种基于AI的细胞特征识别方法,其特征在于,所述样本细胞生存环境特征值具体计算公式为:
;
式中表示为样本细胞生存环境特征值,/>表示为样本细胞的生存监测样本周期编号,/>,/>表示为样本细胞的生存监测样本周期总数,/>表示为第/>个样本细胞的生存监测样本周期的氧浓度,/>表示为第/>个样本细胞的生存监测样本周期的细胞外力,/>表示为第/>个样本细胞的生存监测样本周期的温度,/>表示为第/>个样本细胞的生存监测样本周期的PH值,/>表示为预设的氧浓度,/>表示为预设的细胞外力,/>表示为预设的温度,/>示为预设的PH值,/>表示氧浓度的权重因子,/>表示细胞外力的权重因子,/>表示温度的权重因子,/>表示PH值的权重因子。
4.根据权利要求1所述的一种基于AI的细胞特征识别方法,其特征在于,所述获得样本细胞特征评估值具体为:
获取样本细胞的特征相关信息;
根据样本细胞的特征相关信息分析,利用深度学习模型中的卷积神经网络进行自动学习特征,获得样本细胞的形态特征值、生长特征值、周期寿命特征值;
所述形态特征值用于数值化表示样本细胞的形态特征情况;
所述生长特征值用于数值化表示样本细胞的生长特征情况;
所述周期寿命特征值用于数值化表示样本细胞的周期寿命特征情况;
利用深度学习模型卷积神经网络对样本细胞的形态特征值、生长特征值、周期寿命特征值与样本细胞生存环境特征值进行分析训练,获得样本细胞特征评估值,所述样本细胞特征评估值用于数值化表示样本细胞的基本特征状况。
5.根据权利要求4所述的一种基于AI的细胞特征识别方法,其特征在于,所述样本细胞特征评估值具体计算公式为:
;
式中表示为样本细胞特征评估值,/>表示为样本细胞的形态特征值,/>表示为样本细胞的生长特征值,/>表示为样本细胞的周期寿命特征值,/>表示为样本细胞生存环境特征值,/>表示样本细胞的形态特征值的权重因子,/>表示样本细胞的生长特征值的权重因子,/>表示样本细胞的周期寿命特征值的权重因子,/>表示样本细胞生存环境特征值的权重因子。
6.根据权利要求4所述的一种基于AI的细胞特征识别方法,其特征在于,所述获取样本细胞的特征相关信息具体为:
基于样本细胞生存环境特征值分析,判断样本细胞适宜生存环境;
根据样本细胞适宜生存环境进行细胞生存模拟实验;
基于实时监测细胞生存模拟实验过程获取样本细胞图像,并对样本细胞图像进行预处理,所述预处理包括图像去噪、图像分割、平滑处理、对比度调整;
利用AI卷积神经网络对样本细胞图像进行识别与分析,提取样本细胞相关特征,所述样本细胞相关特征包括:细胞自我更新能力、多潜能性、不对称***、稳态平衡、表面标记物、细胞周期调控、表观遗传学修饰;
利用AI自然语言处理技术对细胞相关的文献、数据库和文本信息进行分析和挖掘,提取细胞特征信息;
结合样本细胞相关特征与细胞特征信息分析,获取用于识别样本细胞的特征相关信息。
7.根据权利要求6所述的一种基于AI的细胞特征识别方法,其特征在于,所述样本细胞的特征相关信息具体包括:样本细胞形态特征信息、样本细胞生长特征信息、样本细胞周期寿命特征信息;
所述样本细胞形态特征信息具体包括:核质比、直径;
所述样本细胞生长特征信息具体包括:增值速率、倍增时间、分化种类数;
所述样本细胞周期寿命特征信息具体包括:细胞周期长度、细胞寿命。
8.根据权利要求4所述的一种基于AI的细胞特征识别方法,其特征在于,样本细胞的形态特征值具体获取方式为:基于细胞形态特征认知获取预设的核质比、预设的直径,结合核质比、直径与预设的核质比、预设的直径进行对比分析,获取样本细胞的形态特征值,形态特征值的计算公式为:
;
式中表示为样本细胞的形态特征值,/>表示为细胞生存模拟实验编号,,/>表示为细胞生存模拟实验总次数,/>表示为样本细胞研究编号,,/>表示为样本细胞研究总数,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的核质比,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的直径,/>表示预设的核质比,/>表示为预设的直径,/>表示核质比的权重因子,/>表示直径的核质比;
样本细胞的生长特征值具体获取方式为:基于细胞形态特征认知获取预设的增值速率、预设的倍增时间、预设的分化种类数,结合增值速率、倍增时间、分化种类数与预设的增值速率、预设的倍增时间、预设的分化种类数分析,获取样本细胞的生长特征值,生长特征值的计算公式为:
;
式中表示为样本细胞的生长特征值,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的增值速率,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的倍增时间,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的分化种类数,/>表示预设的增值速率,/>表示预设的倍增时间,/>表示预设的分化种类数,/>表示增值速率的权重因子,/>表示倍增时间的权重因子,/>表示分化种类数的权重因子;
样本细胞的周期寿命特征值具体获取方式为:基于细胞形态特征认知获取预设的细胞周期长度、预设的细胞寿命,结合细胞周期长度、细胞寿命与预设的细胞周期长度、预设的细胞寿命进行对比分析,获取样本细胞的周期寿命特征值,周期寿命特征值的计算公式为:
;
式中表示为样本细胞的周期寿命特征值,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的细胞周期长度,/>表示为第/>次细胞生存模拟实验的第/>个样本细胞的细胞寿命,/>表示预设的细胞周期长度,/>表示预设的细胞寿命,/>表示细胞周期长度的权重因子,/>表示细胞寿命的权重因子。
9.根据权利要求1所述的一种基于AI的细胞特征识别方法,其特征在于,所述对样本细胞进行特征识别与分类具体包括:
基于细胞信息存储平台获取各类细胞的细胞特征值;
结合样本细胞特征评估值与各类细胞的细胞特征值进行差值分析,获取样本细胞特征偏差值,分析样本细胞特征偏差值大小,选取样本细胞特征偏差值最小值对应的细胞种类作为样本细胞研究基准。
10.一种基于AI的细胞特征识别***,应用权利要求1-9任意一项所述的一种基于AI的细胞特征识别方法,其特征在于,包括:
生存环境评估模块,用于基于样本细胞培育监测过程获取到的样本细胞生存环境信息分析,获取样本细胞生存环境特征值,评估样本细胞生长发育过程中的微环境状况;
特征评估模块,用于根据样本细胞生存环境特征值进行细胞生存模拟实验,获取样本细胞的特征相关信息,结合样本细胞的特征相关信息与样本细胞生存环境特征值进行分析计算,获得样本细胞特征评估值;
特征识别模块,用于基于样本细胞特征评估值对样本细胞进行特征识别与分类,进而自动化生成样本细胞特征识别分析报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410445936.9A CN118051808B (zh) | 2024-04-15 | 2024-04-15 | 一种基于ai的细胞识别方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410445936.9A CN118051808B (zh) | 2024-04-15 | 2024-04-15 | 一种基于ai的细胞识别方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118051808A true CN118051808A (zh) | 2024-05-17 |
CN118051808B CN118051808B (zh) | 2024-07-09 |
Family
ID=91050316
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410445936.9A Active CN118051808B (zh) | 2024-04-15 | 2024-04-15 | 一种基于ai的细胞识别方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118051808B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200208114A1 (en) * | 2018-12-10 | 2020-07-02 | The Broad Institute, Inc. | Taxonomy and use of bone marrow stromal cell |
CN111476266A (zh) * | 2020-02-27 | 2020-07-31 | 武汉大学 | 一种基于迁移学***衡类别白细胞分类方法 |
WO2021248066A1 (en) * | 2020-06-05 | 2021-12-09 | Precyte Inc. | Cellular response assays for lung cancer |
WO2022108885A1 (en) * | 2020-11-17 | 2022-05-27 | Sartorius Bioanalytical Instruments, Inc. | Method for classifying cells |
CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
CN117520914A (zh) * | 2023-11-07 | 2024-02-06 | 北京泱深生物信息技术有限公司 | 一种单细胞分类方法、***、设备及计算机可读存储介质 |
-
2024
- 2024-04-15 CN CN202410445936.9A patent/CN118051808B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200208114A1 (en) * | 2018-12-10 | 2020-07-02 | The Broad Institute, Inc. | Taxonomy and use of bone marrow stromal cell |
CN111476266A (zh) * | 2020-02-27 | 2020-07-31 | 武汉大学 | 一种基于迁移学***衡类别白细胞分类方法 |
WO2021248066A1 (en) * | 2020-06-05 | 2021-12-09 | Precyte Inc. | Cellular response assays for lung cancer |
WO2022108885A1 (en) * | 2020-11-17 | 2022-05-27 | Sartorius Bioanalytical Instruments, Inc. | Method for classifying cells |
CN114660040A (zh) * | 2022-03-10 | 2022-06-24 | 中国科学院青岛生物能源与过程研究所 | 微生物单细胞种类鉴定方法、装置、介质及设备 |
CN117520914A (zh) * | 2023-11-07 | 2024-02-06 | 北京泱深生物信息技术有限公司 | 一种单细胞分类方法、***、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
臧启元等: "基于机器学习与细胞形态学对癌细胞分类", 《软件》, 31 December 2019 (2019-12-31), pages 81 - 83 * |
Also Published As
Publication number | Publication date |
---|---|
CN118051808B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5181385B2 (ja) | 細胞の品質を予測する予測モデルの構築法、予測モデルの構築用ブログラム、該プログラムを記録した記録媒体、予測モデルの構築用装置 | |
US20180232879A1 (en) | Method and apparatus for detecting cell reprogramming | |
Peniuk et al. | Identification and quantification of suspended algae and bacteria populations using flow cytometry: applications for algae biofuel and biochemical growth systems | |
Dirvanauskas et al. | Embryo development stage prediction algorithm for automated time lapse incubators | |
US10752872B2 (en) | System and method for automated extraction of multi-cellular physiological parameters | |
US20210380910A1 (en) | Cell counting and culture interpretation method and application thereof | |
Usaj et al. | Single-cell image analysis to explore cell-to-cell heterogeneity in isogenic populations | |
CN110997928B (zh) | 判定多能干细胞的未分化状态的方法、多能干细胞的传代培养方法及这些方法中使用的装置 | |
CN115147208A (zh) | 一种基于人工智能的供应链金融信用风险评价方法及*** | |
Imai et al. | In-process evaluation of culture errors using morphology-based image analysis | |
US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
CN118051808B (zh) | 一种基于ai的细胞识别方法和*** | |
Krasnova et al. | Prognostic analysis of human pluripotent stem cells based on their morphological portrait and expression of pluripotent markers | |
CN110993030A (zh) | 一种单个活细胞内rna出核流量的监测方法和*** | |
Mai et al. | Morphology-based deep learning approach for predicting adipogenic and osteogenic differentiation of human mesenchymal stem cells (hMSCs) | |
Sai et al. | SAI: fast and automated quantification of stomatal parameters on microscope images | |
JP2020191783A (ja) | 培養培地分析による多能性幹細胞の未分化状態の位置特異的な判定方法 | |
US20140056504A1 (en) | Progressive decision for cellular process selection | |
Fäßler et al. | Cryo-electron tomography workflows for quantitative analysis of actin networks involved in cell migration | |
JP2022551117A (ja) | 撮像システムおよびその使用方法 | |
EP4145385A1 (en) | Monitoring of cell cultures | |
CN114414850B (zh) | 细菌活性检测方法、装置、设备及其存储介质 | |
Plant et al. | The role of the national institute of standards in measurement assurance for cell therapies | |
Sasaki et al. | Image-based cell quality assessment: modeling of cell morphology and quality for clinical cell therapy | |
Cao et al. | A Survey of AI Utilisation in High-Throughput Screening Systems Using Stem Cell Models |
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 |