流式细胞术和流式细胞仪在丝状真菌中的应用

流式细胞术和流式细胞仪在丝状真菌中的应用

为了获得细胞高速流动的高质量图像，研究者提出了深度学习增强成像流式细胞术(dIFC)，通过在虚拟冻结荧光成像(VIFFI)流式细胞术平台上实现图像恢复算法，实现了在不牺牲灵敏度和空间分辨率的情况下提高吞吐量。

成像流式细胞术(IFC)凭借其对单细胞进行高通量成像的能力，已成为多种生物医学应用的强大工具。然而，在吞吐量、灵敏度和空间分辨率之间的基本权衡仍然是一个挑战。

在Kangrui Huang等人的工作中提出了深度学习增强成像流式细胞术(dIFC)，通过在虚拟冻结荧光成像(VIFFI)流式细胞术平台上实现图像恢复算法来规避这种权衡，在不牺牲灵敏度和空间分辨率的情况下实现更高的吞吐量。

图1 diFC

图1a示意性地显示了包含使用低倍率镜头的图像采集过程和虚拟hr图像生成过程的dIFC过程。在研究中，使用10x /0.4 na镜头作为低倍率镜头，生成了与40x /0.95 na镜头图像具有相当空间分辨率的虚拟HR图像。

为了获得细胞高速流动的高质量图像，使用VIFFI流式细胞仪作为dIFC的平台。为了生成虚拟HR图像，使用图1c所示的网络架构训练了一个HR图像生成器。

此外，将训练好的生成器和IFC结合起来，开发了dIFC作为一种方法。使用莱茵衣藻(Chlamydomonas reinhardtii)细胞图像、Jurkat细胞的荧光原位杂交(FISH)图像和酵母(Saccharomyces cerevisiae)细胞图像来表征dIFC，如图2所示。

图2 dIFC图像与真地图像的相似性

为了定量评价图像质量，首先以以下方式捕获HR图像作为ground truth图像，并将LR图像作为输入图像。各算法生成的代表性图像定性地显示了图像质量的提高。而图2b所示的SSIM值定量地识别了改进。值得注意的是，dIFC对C. reinhardtii图像和FISH图像的绿色荧光通道的改善程度高于它们的红色荧光通道。

这可以从结构的复杂性来解释:双线性插值、cubic和Lanczos算法与dIFC在不太复杂的结构上的恢复精度相似，而dIFC在复杂结构上的恢复精度更高。同样，酿酒酵母的绿色通道也有改进，尽管该通道描绘了细胞的整个结构。这是因为出芽酵母细胞的细胞结构比其他酵母细胞更复杂。这些结果表明dIFC补偿了由于像素分辨率降低而导致的内容损失，这可以提高后续图像分析的准确性。

图3 FISH图像恢复精度的增强

为了证明dIFC在FISH点计数中的实用性，首先分析了FISH点的大小，并验证了dIFC对恢复精度的提高。具体来说，首先测量了FISH点对的荧光强度曲线，结果表明双线性插值算法提高了强度曲线的平滑度，而与输入图像相比，dIFC的分辨率有所提高(图3a)。

为了进一步的定量分析，测量了独立于输入图像、双线性图像和dIFC图像存在的FISH斑点的大小，并将其与真实图像进行了比较。通过计算每个FISH点的高斯拟合函数的半最大值全宽度(FWHM)来量化斑点大小。

在这里，使用流动方向和垂直于流动方向的fwhm平均值来确定FISH斑点大小。如图3b所示，输入图像和双线性图像的FISH斑点大小沿黑色1:1关系线广泛分散[输入图像的均方误差(MSE) = 0.17，双线性图像的MSE = 0.22];它们的回归线用红色表示与1:1关系线接近但不平行。dIFC数据拟合最佳(R2 = 0.62)，误差最小。

此外，dIFC中FISH斑点大小与输入中相比的直方图显示，种群的峰值位置低于1(图3c);从累积频率分布(图3c中红色曲线)可以看出，85.0%的总体小于1。这些结果表明，dIFC可以提高空间分辨率

结果显示dIFC图像与高倍镜(40×/0.95 na)在2 m s−1的高流速下获得的图像高度相似。最后，使用dIFC来提高出芽酵母细胞的fish点计数和颈宽测量的准确性。

参考文献：
[1] Lab Chip, 2022, 22, 876.