都柏林三一学院的一个团队表示，他们已经开发出一种新的基于机器学习的技术来准确分类巨噬细胞的状态。据研究人员称，对巨噬细胞进行分类很重要，因为它们可以改变它们的行为并在免疫反应中充当促炎剂或抗炎剂。

(相关资料图)

因此，这项工作对研究具有一系列意义，并有可能在某一天产生重大的社会影响。例如，这种新方法可用于药物设计者寻求针对疾病和自身免疫性疾病(如糖尿病、癌症和类风湿性关节炎)的疗法——所有这些都受到细胞代谢和巨噬细胞功能的影响。

因为对巨噬细胞进行分类使科学家能够直接区分巨噬细胞状态——仅基于它们在特定条件下的代谢反应——这一新信息可以用作诊断工具，或突出特定细胞类型在疾病环境中的作用。

“在这项研究中，我们利用基于NAD(P)H的细胞自发荧光的荧光寿命成像作为一种非侵入性方式，通过代表它们的管理代谢状态来对人类巨噬细胞的两种对比状态进行分类。来自人类血液循环单核细胞的巨噬细胞使用既定方案进行极化，并使用小分子进行代谢挑战，以验证它们在细胞外酸化和耗氧量中的响应代谢作用，”研究人员写道。

“单个极化巨噬细胞的大视野图像是使用荧光寿命成像显微镜(FLIM)获得的。这些在成像过程中实时受到新陈代谢的小分子扰动的挑战。我们发现了在羰基氰化物-对三氟甲氧基苯腙(FCCP)的作用下显着的FLIM参数，它强烈地分层了极化的人类巨噬细胞的表型;但是，在单细胞水平上分析数据时，这种性能会受到供体变异性的影响。

为机器学习模型奠定基础

“来自全视野和单细胞FLIM方法的分层和参数是机器学习模型的基础。应用随机森林模型，我们确定了三个强烈控制的FLIM参数，在对人类巨噬细胞进行分类时，受试者工作特征曲线下的面积(ROC-AUC)值为0.944，袋外(OBB)错误率为16.67%一个完整的视野图像。

“总而言之，2P-FLIM与机器学习模型的集成被证明是一种强大的技术，可用于分析全FoV和单细胞水平的人类巨噬细胞代谢和极化。”

“目前，没有其他方法采用基于人工智能的机器学习方法来对巨噬细胞进行分类。目前有许多不同的技术用于对巨噬细胞进行分类，但所有这些都有明显的缺点，”三一学院生物医学工程副教授迈克尔莫纳汉博士说。

“我们的方法使用双光子荧光寿命成像显微镜(2P-FLIM)，这是Trinity和爱尔兰独有的。2P-FLIM不需要样品预处理，可用于无创地实时跟踪新陈代谢的变化——这为跟踪疾病进展和/或对治疗的生理反应打开了大门——而且它还需要较低的与传统技术相比的细胞数量。”

“越来越清楚的是，要解决许多社会最重大的问题，我们需要采取多学科方法来利用不同领域工作人员的专业知识，”工程学院博士生NunoNeto补充道。

“Trinity被公认为免疫代谢研究的领导者，我们的许多科学家都专注于它如何调节免疫细胞反应，以及免疫细胞代谢如何在疾病中受到影响。这项研究受益于这些专业知识，但也连接了先进计算机科学方法的使用，并利用了生物医学工程系的先进显微镜和以前从未报道过的制度。因此，它是跨学科领域跨部门合作的典范。”