深度学习赋能单细胞力学评估：基于图像的无标记生物物理标记技术

针对现有单细胞力学检测技术（如AFM）存在低通量、高复杂度等问题，清华大学团队创新性地采用深度学习技术，通过卷积神经网络（CNN）分析细胞形态特征，建立了可非侵入性预测间充质干细胞（MSCs）和巨噬细胞硬度的分类模型。该研究实现了每小时数千细胞的高通量检测，并揭示细胞硬度与干细胞干性（SSEA-4）、衰老（p16INK4a ）及免疫调节功能的相关性，为细胞治疗产品的质量评估提供了新范式。

　　

在生命科学和医学研究领域，细胞的力学特性正成为揭示细胞状态和功能的重要生物物理标志物。研究表明，癌细胞比正常细胞更柔软从而利于转移，耐药肿瘤细胞表现出更高硬度，而间充质干细胞（MSCs）的硬度变化与其分化潜能和衰老程度密切相关。然而，传统单细胞力学检测技术如原子力显微镜（AFM）和光学镊子等，普遍面临通量低（每小时仅数十细胞）、设备昂贵、操作复杂等瓶颈，难以满足临床大规模样本检测需求。这促使科学家们寻求突破性的解决方案。

清华大学的研究团队独辟蹊径，将深度学习技术与细胞形态学分析相结合，开发出基于卷积神经网络（CNN）的图像分析系统。这项发表在《Cell Regeneration》的研究，通过采集经化学调控的软化（200±100 Pa）和硬化（3±1 kPa）MSCs、以及巨噬细胞系RAW264.7的相位对比图像，构建了包含超过12万张单细胞图像的数据集。研究团队创新性地将分类模型输出的"硬化概率"转化为连续刚度值，并建立了跨细胞类型的回归模型，最终实现了仅需普通显微镜图像即可预测细胞杨氏模量的技术突破。

关键技术方法包括：1）采用AFM测量单细胞杨氏模量作为金标准；2）通过微流控变形流式细胞术（DC）进行高通量验证；3）利用梯度加权类激活映射（Grad-CAM）算法可视化模型决策依据；4）构建聚乙二醇二丙烯酸酯（PEGDA）水凝胶梯度基底研究力学微环境响应；5）结合免疫荧光（iNOS/Arginase-1）和流式细胞术（FACS）进行功能验证。

【图像基于MSC硬度分类模型的评估】
研究团队通过细胞松弛素D（Cyto.D）和葡萄糖/H₂
O₂
处理获得硬度差异显著的MSCs亚群，训练出的CNN分类模型在测试集达到AUC 1.00、准确率97.6%。模型成功识别出传代导致的MSCs硬度增加（P4 vs P7），与AFM结果一致但通量提高百倍。值得注意的是，Grad-CAM可视化显示模型通过细胞边缘亮区（软细胞）和胞内异质区域（硬细胞）进行判断，这与细胞粘附力和内部结构变化的生物力学原理高度吻合。

【巨噬细胞硬度分类模型的通用性验证】
在RAW264.7细胞中构建的同类模型同样表现优异（AUC 1.00，准确率97.9%），成功检测到脂多糖（LPS）诱导的M1型巨噬细胞硬度显著高于M0/M2型。特别有趣的是，当使用不同硬度MSCs的条件培养基处理巨噬细胞时，硬化MSCs促进促炎M1表型，而软化MSCs抑制M1表型，首次揭示了MSCs力学特性与其免疫调节功能的直接关联。

【跨细胞类型的硬度回归模型】
尽管受限于AFM的低通量（仅3,325个数据点），研究建立的回归模型仍展现出预测潜力。模型准确捕捉到P4 MSCs在玻璃基底（刚性）上比PEGDA（1 kPa）更硬，而RAW264.7和肝窦内皮细胞（LSECs）在15% PEGDA（10 kPa）上硬度增加的现象，平均绝对百分比误差（APE）为57%。

这项研究开创性地证明了深度学习在单细胞力学评估中的应用价值。分类模型通过简单离散数据训练即可实现45% APE的预测精度，其成功关键在于抓住了细胞形态与力学特性的普适关联——软细胞因粘附弱呈现边缘亮区，硬细胞则因内部张力变化显示胞内异质性。技术层面，该方法将检测通量从AFM的每小时数十细胞提升至数千细胞，且仅需普通显微镜即可实施，大幅降低了临床应用门槛。

在生物学意义上，研究不仅验证了细胞硬度作为MSCs干性（SSEA-4⁺
）、衰老（p16^INK4a
+
）标志物的可靠性，更揭示了力学特性与免疫调节功能的新关联。特别是硬化MSCs促进促炎反应的现象，为理解干细胞治疗中的个体差异提供了新视角。虽然当前回归模型精度有待提高，但该工作为建立"细胞力学组学"奠定了基础，未来结合更大样本和多模态数据，有望发展成细胞治疗产品质控和疾病诊断的标准化工具。这项交叉研究充分展现了人工智能赋能传统生物医学检测的变革潜力，为再生医学和免疫治疗研究开辟了新范式。