《Microscopy Research and Technique》：A Semi-Automated Microfluidic Platform Employing Machine Learning Analysis to Study Adhesion Kinetics in Acute Myeloid Leukemia
编辑推荐：
当前药物筛选平台通常未考虑肿瘤微环境（tumor microenvironment, TME）。微流控剪切流实验（microfluidic shear flow assays）提供了一种高度灵敏的工具，用于在单细胞水平研究肿瘤细胞与微环境的通讯。粘附（adhe
当前药物筛选平台通常未考虑肿瘤微环境（tumor microenvironment, TME）。微流控剪切流实验（microfluidic shear flow assays）提供了一种高度灵敏的工具，用于在单细胞水平研究肿瘤细胞与微环境的通讯。粘附（adhesion）因此作为反映细胞状态（包括活力丧失）的功能性读数。然而，先前平台需要大量手动操作和耗时的实验后分析。研究人员开发了一种明场显微镜（bright-field microscopy）辅助的半自动化剪切流平台，该平台将硬件操作与基于机器学习的分析流程（machine-learning-based analysis pipeline）相结合。该算法能在几分钟内提供一致、高质量的结果，精确度（precision）达98.3%，召回率（recall）达99.1%，表明其具有高追踪特异性（tracking specificity）和物体辨别能力（object discrimination）。
**论文解读：基于机器学习的半自动化微流控平台在急性髓系白血病粘附动力学研究中的应用**
**研究背景与问题**
现有药物筛选平台通常忽略肿瘤微环境（tumor microenvironment, TME）的影响，而微流控剪切流实验（microfluidic shear flow assays）能在单细胞水平模拟血管结构，研究细胞与基质或内皮细胞的相互作用，其功能性读数——粘附（adhesion）可反映细胞状态（如活力丧失）。然而，传统剪切流实验存在显著局限性：手动操作步骤繁琐，且实验后分析需逐帧人工追踪细胞轨迹，耗时费力（通常每段60秒视频需30分钟至2小时），易受主观偏差影响，导致可重复性差。为克服这些瓶颈，研究人员旨在开发一种结合硬件自动化与机器学习分析的半自动化平台，以实现快速、客观、可扩展的细胞-基质相互作用分析。该研究发表在《Microscopy Research and Technique》。
**主要技术方法**
研究人员构建了基于明场显微镜（bright-field microscopy）的半自动化剪切流平台，核心硬件包括：由NEMA 17步进电机驱动的注射泵阵列（Braun, Germany）、伺服阀控制的排液泵、基于Openflexure显微镜改造的3D打印光学系统（含Raspberry Pi相机、20倍物镜），以及可编程微流控芯片（IBIDI, Gr?felfing, Germany）。软件分析流程采用YOLOv8-m深度学习模型（来自ultralytics包）进行目标检测（object detection），BoT-SORT算法（结合卡尔曼滤波）进行多目标追踪（multi-object tracking），并基于滑动窗口（7帧，0.1秒）检测交互段，将轨迹分类为“停滞”（arrest, ≥3秒交互）、“滚动”（rolling, 0.1-3秒交互）、“流动”（flowing, 无交互）和“快速流动”（fast-flowing, 速度>981 μm/s）。样本来源：人类急性髓系白血病（acute myeloid leukemia, AML）细胞系OCI-AML3（购自DSMZ, ACC: 582），培养于α-MEM培养基（含20%胎牛血清），实验前用透明质酸（hyaluronic acid, HA）刺激以激活整合素α4β1（VLA-4）。
**研究结果**
**4.1 自动化计算机视觉流程评估**
**4.1.1 目标检测（Object Detection）**：YOLOv8-m模型经80轮训练后，在测试集（505张图像）上达到平均精度（mAP
0.5）99.4%、mAP
0.5-0.95 90.0%。精确度（precision）为98.3%，召回率（recall）为99.1%，F1分数98.7%，表明模型能高效识别大多数细胞。
**4.1.2 目标追踪（Object Tracking）**：在三个测试视频段（总长85秒）上，多目标追踪性能指标IDF1为97.9%，MOTA（多目标追踪准确率）97.2%，MOTP（多目标追踪精确率）95.2%。仅5/407个物体被追踪不足20%轨迹。身份切换（ID switches）平均24.7次/实验，主要源于快速流动或遮挡细胞的检测遗漏，导致追踪碎片化。停滞和滚动细胞的IDF1（99.7%、96.4%）高于流动细胞（87%）。
**4.1.3 分类（Classification）**：结合检测、追踪和分类规则，停滞细胞F1分数98.2%，流动细胞98.8%，滚动细胞91.9%。仅57个停滞细胞中1个因追踪误差（与流动细胞碰撞导致ID交换）被误分类；19个滚动细胞中2个被误分类为停滞（因运动极慢）或流动（交互段过短）。
**4.1.4 分析运行时间与比较（Analysis Runtime and Comparison）**：典型实验（60秒视频，4500帧，平均每帧30个细胞）总分析时间约10分钟，其中目标检测占主导（2-3分钟，NVIDIA RTX 3090）。相比之下，人工分析需30分钟至2小时，且易受主观偏差影响。
**4.2 生物学解释与验证（Biological Interpretation and Validation）**：平台验证了HA刺激下OCI-AML3细胞对VCAM-1（血管细胞粘附分子-1）的停滞率增加，与先前发表数据集（Gutjahr et al., 2021）一致。使用抗整合素α4阻断抗体后，细胞与基质无相互作用，证实了分析的特异性。
**讨论与结论**
该研究通过半自动化硬件（注射泵阵列、伺服阀、3D打印显微镜）与机器学习分析流程（YOLOv8+BoT-SORT）的结合，解决了传统剪切流实验的手动操作和分析瓶颈。平台能快速（<10分钟/实验）、客观地量化细胞粘附行为，减少用户偏差，提高实验通量，适用于药物筛选和个性化医疗。局限性包括：检测遗漏（如细胞聚集、快速运动或遮挡）导致追踪碎片化；分类阈值（如3秒停滞定义）导致边缘案例误分类。未来可通过优化训练数据集或引入时间序列模型来改进。
**结论翻译**：这项概念验证研究为未来研究提供了坚实基础。该分析流程在展示的剪切流实验中成功追踪了不同类别的细胞行为，并能在几分钟内达到接近专家水平的分析结果。
