基于数据驱动分析评估非贴壁细胞皮质力学特性，助力药物研究与细胞分析

《Scientific Reports》：Data-driven analysis for the evaluation of cortical mechanics of non-adherent cells

为解决单细胞测量难题，研究人员用微井阵列和深度学习分析非贴壁细胞皮质力学，成果助力药物检测等。

　　在生命科学的微观世界里，细胞的奥秘一直吸引着科研人员不断探索。原子力显微镜（AFM）作为研究单细胞的有力工具，能实现高分辨率成像和纳米级机械表征，在从探究细胞基本过程到识别疾病机制，再到筛选潜在疗法等众多领域发挥着关键作用。比如，细胞弹性与多种生理状况紧密相关，像癌细胞更具弹性可能意味着发生转移；从白细胞的弹性模量也能获取诸多关键信息，包括 HL60 细胞的分化命运、中性粒细胞的激活状态等。细胞皮质作为细胞膜下的细胞质薄层，含有肌动蛋白丝、微管和中间丝，它通过产生皮质张力在调节细胞力学方面起着核心作用，而皮质张力主要由肌动球蛋白收缩产生，Rho 激酶（ROCK）又调控着肌球蛋白 II 的活性。在药物测试中，AFM 可在单细胞水平评估药物对细胞生理的影响，通过纳米压痕技术，用 AFM 探针施加可控力并测量样品表面的压痕深度，从而探究药物对亚细胞结构机械性能的作用。

然而，AFM 在用于非贴壁细胞研究时却困难重重。非贴壁细胞在压痕过程中容易发生侧向移动，给测量带来极大干扰；而且后续的数据处理工作也极为繁琐，需要将获取的曲线与特定模型拟合才能提取有意义的值，如杨氏模量，这耗费大量人力和时间。为了解决这些棘手问题，来自哈利法大学（Khalifa University）等机构的研究人员展开了深入研究。他们的研究成果发表在《Scientific Reports》上，为该领域带来了新的突破。

在研究过程中，研究人员主要运用了以下关键技术方法：一是制备微井阵列，通过光刻和深反应离子蚀刻（DRIE）技术在硅片上制作模具，再用聚二甲基硅氧烷（PDMS）进行压模，得到适用于捕获非贴壁细胞的微井阵列；二是采用深度学习方法，利用 Python 库构建卷积神经网络（CNN）等模型，对 AFM 数据进行自动化分析和分类。

下面来看看具体的研究结果：

1. 易于制备且可多次使用的单细胞捕获微井阵列：研究人员基于光刻图案化硅模具，开发出一种简单且可重复的微井阵列制备方法。这种方法制作的模具坚固耐用，能在短时间内（每个阵列不到 5 分钟）制造出大量聚合物阵列，且精度不受影响，模具可多次使用（超过 50 次）。制备的微井深度约 5μm，宽度约 12μm，呈大致圆形且略有不对称。
2. 通过活细胞 AFM 测量细胞弹性：在测量前，研究人员验证了系统在测量期间保持培养基不蒸发的稳定性。实验中，将微井阵列置于 AFM 平台，细胞在重力作用下沉降到微井中，用无尖 AFM 探针压缩细胞获取力 - 距离曲线。研究发现，添加细胞骨架药物细胞松弛素 B（Cytochalasin B）、Y - 27632 和 blebbistatin 后，细胞的杨氏模量分别下降了 15%、36% 和 47%。这是因为细胞松弛素 B 通过结合肌动蛋白丝的末端抑制其聚合，降低细胞皮质弹性；Y - 27632 抑制 ROCK，减少肌动球蛋白收缩力，进而降低细胞皮质弹性；blebbistatin 通过结合肌球蛋白 ATP 酶结构域阻止 ATP 水解，抑制肌球蛋白 II 活性，导致细胞皮质弹性降低。
3. 利用机器学习实现 AFM 分析的自动化和丰富化：研究人员运用机器学习（ML）和深度学习（DL）技术，特别是 CNN，对 AFM 数据曲线进行处理。通过回归模型可直接从原始数据预测弹性模量值，还利用随机森林（RF）和支持向量机（SVM）分类器进行二元分类（检测药物的存在）和多类分类（识别药物类型）。回归模型预测的杨氏模量值与实际测量值吻合度较高，除细胞松弛素 B 外，预测值均值在实际均值 ±1 个标准差范围内，且预测值的 95% 置信区间很小。分类模型在多类分类中，对每种药物的识别准确率均超过 90%；在二元分类中，AUC 平均得分达到 0.91。通过 Grad - CAM 和 t - 分布随机邻域嵌入（t - SNE）技术对模型进行可视化分析发现，模型能有效捕捉 AFM 曲线特征，即使在降低特征图维度后，仍能显著区分不同类别。

研究结论和讨论部分表明，该研究开发的平台简化了液体介质中活细胞的原子力显微镜检测流程。定制的硅基微井阵列可通过重力捕获细胞，便于 AFM 压缩测量，结合 ML 数据分析方法，能直接对测量的 AFM 曲线进行自动化分析，无需复杂的曲线拟合和数据建模即可提取细胞弹性模量，大大减少了数据处理时间。而且，该模型在预测杨氏模量过程中获得的 “知识” 可有效应用于其他任务，在药物疗效评估和疾病诊断等方面具有广阔的应用前景，为相关领域的研究提供了新的思路和方法。