Q
你是不是会在分析 3D 明场图片时
遇到以下难题？
细胞球灰度值和背景太接近，筛选阈值设的低则部分背景被识别，筛选阈值设的高则部分细胞球不能被识别。
细胞球相互靠近，分析时总是不能准确识别单个细胞球。
背景明暗不均，单一阈值设置无法对背景有效界定（红色区域内亮度高，蓝红交接处亮度明显下调）。
在这些难题面前，大量的时间消耗在摸索筛选条件。每次是拍摄 5min，设置分析参数半小时。即便如此结果也不尽如人意，令人头大~
Molecular Devices 的人工智能技术基于深度卷积神经网络（Deep Convolutional Neural Network），可以对选定的目标进行综合分析，对目标的多种特征进行提取和分析，形成相应的特征图（具体的 AI 解读请见文章“ AI 如何思考？5 分钟了解 IN Carta 如何简化高内涵图像分析”）。
A
对于前面提到的三个问题
人工智能都能一一解决
针对背景和目标灰度值接近，不好设阈值的问题，我们可以通过软件圈选足够多的细胞球，训练软件分析目标多维参数，而不是单一依靠灰度值做判别。
如上图，在软件中使用画笔圈选不同形态和灰度值的球体部分（绿色）训练软件识别
对于细胞球相互靠近，无法准确判别单个细胞球的问题，可以在软件中对细胞球边界进行圈选（箭头指示的蓝色部分）
对于背景的明暗不均，同样可以使用画笔对不同位置的背景标记，如图中箭头指示的蓝色部分。
经过简单的圈选和训练，基于人工智能的识别可以做到像人眼识别一样准确，面对不同细胞球和背景的差异性，提取到足够信息的软件都能有效判别。这为我们建立在 3D 细胞模型上的筛选试验提供强有力的支持，有助于我们获得更精准的分析数据。
分析后被标记的图片
（绿色标记的是被识别的细胞球）
而且从上述过程可以发现，这种基于机器自学习的分析方法极大的简化了分析的流程，即使是毫无图像分析经验的新手小白，也能够快速掌握并运用。
更多操作过程请见下方视频：
人工智能助力基于 3D 细胞模型的药物筛选
药物开发的流程（如图）一般包含了药物发现，验证及毒性测试。在药物验证的过程中，传统的体外筛选模型通常是建立在 2D 细胞水平，但是单层培养的细胞不能准确的模拟内源的生化过程和疾病模型，这种差异会导致大多数的候选药物在下游的临床试验中失败，预测新药的临床反应有限。
与 2D 细胞培养相比， 3D 细胞的模型具有和肿瘤更相似的结构，给细胞创造更相似的微环境。与动物模型相比，3D 细胞模型成本低，建模速度快。所以 3D 细胞模型在预测新药临床反应，降低临床研究的时间和资金成本方面具有更显著的优势。
采用高内涵进行 3D 细胞球的透射光成像是一种常用手段。通过透射光的成像，可以从整体上观察细胞球的形态和大小，可以方便地进行细胞凋亡、生长抑制等方法的检测。借助人工智能的分析方法，解决了一直以来困扰分析的难题，非常简便又准确的实现细胞球的识别、细胞球大小的测定以及细胞球细胞数量的统计，从而加速基于 3D 细胞模型的药物筛选进程。
每周五下午 5 点与您相见
好玩的、划算的、有用的、前沿的
帮助您获取生命科学研究及药物研发全方位的解决方案
产品覆盖微孔板检测分析、高通量筛选、
高内涵成像、高效克隆筛选等。
我知道你在看哟
