VisionSort用于药物发现：突破性药物筛选技术

视频链接：https://www.bilibili.com/video/BV1btvke7EwP/?spm_id_from=333.999.0.0

概述

在本次网络研讨会上，介绍了用于药物发现的VisionSort平台。药物筛选方法主要有两种：靶向筛选和表型筛选。尽管两者互为补充，表型筛选因其广泛评估药物作用机制和对细胞表型影响的能力而重新受到重视，且识别了最多的首创药物。

传统表型筛选的挑战

• 存在孔间信号差异，需要复杂的细胞标记，图像存储和处理资源密集

• 依赖自动化显微镜平台生成大量高内容数据

• 需要大量的多孔板，通常受限于固定或贴壁细胞

VisionSort 平台的优势

• 采用更灵活、高通量的方法进行表型筛选

• 同时捕获高内容的无标记形态信息和荧光信号

• 不需要传统的计算图像处理和分析，速度快，能处理每小时1000万个细胞，适用于活细胞和固定细胞

Ghost Cytometry 技术

• 高级光学、机器学习和微流体技术相结合

• 使用结构化照明捕获单细胞形态信息

• 嵌入式机器学习模型快速分析数据

• 使用温和的流体压力分选细胞，保持细胞活性

数据生成与分析

• 生成反映光强度随时间变化的波形数据，每秒超过1200万个数据点

• 荧光波形不仅能检测细胞总荧光强度，还能捕捉荧光信号的详细空间分布

• 使用监督和非监督机器学习进行细胞表型分类

应用示例

1. HEK 293细胞表型分类

• VisionSort能够无标记分离这两种表型，分类准确率为0.97

• 使用荧光模式，将细胞标记为溶酶体或线粒体

     2. T细胞表型分类

• 无标记分离浆细胞与其B细胞前体

• 激活的人初级T细胞，标记表面细胞标记CD25和CD69

• VisionSort能够仅通过形态学（无标记）分离这些T细胞表型，分类准确率为0.99

• 无标记分离疲劳和非疲劳T细胞

 药物筛选案例研究

1. CRISPR筛选

• 用于NFkB核转位模型，使用机器学习模型筛选目标基因，验证了TLR4信号通路的成员基因富集

     2. 巨噬细胞极化

• 使用无标记模式，识别可能调节M1极化的基因，如BRD2基因

总结

VisionSort平台通过高内容的形态信息、高速筛选能力、兼容多种CRISPR库和NGS平台，为药物筛选和目标识别提供了新的可能性，增强了药物发现流程。

重点

• VisionSort平台的灵活性和高通量筛选能力

• Ghost Cytometry技术的先进性

• 机器学习在实时数据分析中的应用

• 实际应用中的高分类准确率和新颖基因调控发现

• 对药物筛选流程的显著提升和加速

通过这些优势，VisionSort平台在药物发现中展现了巨大的潜力和广泛的应用前景