[發(fā)明專利]目標(biāo)細(xì)胞株的篩選方法、系統(tǒng)、服務(wù)器及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 202010434490.1
• 申請(qǐng)日: 2020-05-21
• 公開（公告）號(hào): CN111598029B
• 公開（公告）日: 2021-11-30
• 發(fā)明（設(shè)計(jì)）人: 韓曉健;陳亮;梁國龍
• 申請(qǐng)（專利權(quán)）人: 深圳太力生物技術(shù)有限責(zé)任公司
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/34;G06K9/62
• 代理公司: 廣州華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 黃恕

1.一種目標(biāo)細(xì)胞株的篩選方法，其特征在于，所述方法包括：

獲取稀釋后的細(xì)胞池細(xì)胞對(duì)應(yīng)的細(xì)胞圖像；

其中，所述細(xì)胞池細(xì)胞包括能夠表達(dá)期望產(chǎn)物的細(xì)胞，所述期望產(chǎn)物為分泌性物質(zhì)或附著于細(xì)胞膜表面的物質(zhì)；

對(duì)所述細(xì)胞圖像進(jìn)行圖像分割處理，得到子細(xì)胞圖像；

通過目標(biāo)分類網(wǎng)絡(luò)模型，對(duì)所述子細(xì)胞圖像進(jìn)行分類處理，確定所述子細(xì)胞圖像中對(duì)應(yīng)細(xì)胞包含的期望產(chǎn)物表達(dá)量所屬類別；所述目標(biāo)分類網(wǎng)絡(luò)模型為通過殘差網(wǎng)絡(luò)、卷積層以及全局平均池化層中的任意兩個(gè)子網(wǎng)絡(luò)模型組合而成的模型；其中，所述目標(biāo)分類網(wǎng)絡(luò)模型的構(gòu)建過程為：

在所述子細(xì)胞圖像中采集細(xì)胞信息并進(jìn)行統(tǒng)計(jì)，得到細(xì)胞圖像數(shù)據(jù)庫；所述細(xì)胞信息包括所述子細(xì)胞圖像中細(xì)胞尺寸和細(xì)胞內(nèi)部結(jié)構(gòu)；所述細(xì)胞內(nèi)部結(jié)構(gòu)信息包括蛋白表達(dá)參數(shù)信息；

對(duì)所述細(xì)胞圖像數(shù)據(jù)庫進(jìn)行預(yù)處理，得到預(yù)處理后的子細(xì)胞圖像數(shù)據(jù)；

對(duì)所述預(yù)處理后的子細(xì)胞圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理，得到訓(xùn)練用的數(shù)據(jù)集；

對(duì)所述訓(xùn)練用的數(shù)據(jù)集中按照預(yù)設(shè)的比例進(jìn)行樣本采樣，得到若干訓(xùn)練數(shù)據(jù)子集；所述訓(xùn)練數(shù)據(jù)子集包括：數(shù)據(jù)集、驗(yàn)證集以及測試集；

根據(jù)所述數(shù)據(jù)集、所述驗(yàn)證集以及所述測試集對(duì)初始分類網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，調(diào)整網(wǎng)絡(luò)模型參數(shù)，在對(duì)所述初始分類網(wǎng)絡(luò)模型訓(xùn)練結(jié)束后，去掉訓(xùn)練好的所述初始分類網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)結(jié)構(gòu)二，將所述初始分類網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)結(jié)構(gòu)一和所述初始分類網(wǎng)絡(luò)模型中網(wǎng)絡(luò)結(jié)構(gòu)三組合，得到目標(biāo)分類網(wǎng)絡(luò)模型；其中，所述網(wǎng)絡(luò)結(jié)構(gòu)一為殘差網(wǎng)絡(luò)和兩層卷積層的組合結(jié)構(gòu)；所述網(wǎng)絡(luò)結(jié)構(gòu)二為殘差網(wǎng)絡(luò)和全局平均池化層的組合結(jié)構(gòu)；所述網(wǎng)絡(luò)結(jié)構(gòu)三為殘差網(wǎng)絡(luò)和全局平均池化層的組合結(jié)構(gòu)；

通過所述期望產(chǎn)物表達(dá)量所屬類別，確定所述期望產(chǎn)物表達(dá)量高的子細(xì)胞圖像；

根據(jù)所述期望產(chǎn)物表達(dá)量高的子細(xì)胞圖像，確定對(duì)應(yīng)的子細(xì)胞在細(xì)胞培養(yǎng)容器中的位置信息；其中，所述子細(xì)胞在細(xì)胞培養(yǎng)容器中的位置信息為所述細(xì)胞培養(yǎng)容器中不同孔列陣對(duì)應(yīng)的識(shí)別標(biāo)記；所述識(shí)別標(biāo)記用于識(shí)別不同的單克隆細(xì)胞；

根據(jù)所述位置信息，從所述細(xì)胞培養(yǎng)容器中篩選期望產(chǎn)物表達(dá)量高的所述單克隆細(xì)胞。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述期望產(chǎn)物為單獨(dú)的目標(biāo)物質(zhì)，或經(jīng)過偶聯(lián)的偶聯(lián)物質(zhì)，所述偶聯(lián)物質(zhì)為所述目標(biāo)物質(zhì)與選擇性標(biāo)記、信號(hào)標(biāo)記以及偶聯(lián)標(biāo)記中的一種或多種偶聯(lián)后所得的所述偶聯(lián)物質(zhì)。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對(duì)所述細(xì)胞圖像進(jìn)行圖像分割處理，得到子細(xì)胞圖像，包括：

對(duì)所述細(xì)胞圖像進(jìn)行直方圖均衡化操作，得到均衡化圖像；

對(duì)所述均衡化圖像進(jìn)行形態(tài)學(xué)操作，得到形態(tài)學(xué)圖像；所述形態(tài)學(xué)操作包括頂帽操作和梯度操作；

通過邊緣檢測算法檢測所述形態(tài)學(xué)圖像中的細(xì)胞邊緣，得到細(xì)胞邊緣圖像；

對(duì)所述細(xì)胞邊緣圖像進(jìn)行二值化處理，得到二值化細(xì)胞圖像；

對(duì)所述二值化細(xì)胞圖像進(jìn)行細(xì)胞分割，得到所述子細(xì)胞圖像。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)所述細(xì)胞邊緣圖像進(jìn)行二值化處理，得到二值化細(xì)胞圖像，包括：

對(duì)所述細(xì)胞邊緣圖像進(jìn)行閾值處理，得到閾值化圖像；

通過開運(yùn)算，去除所述閾值化圖像背景中的非細(xì)胞區(qū)域，得到開運(yùn)算圖像；

通過閉運(yùn)算，去除所述開運(yùn)算圖像中的細(xì)胞內(nèi)部邊緣，得到閉運(yùn)算圖像；

當(dāng)所述閉運(yùn)算圖像中仍然存在細(xì)胞內(nèi)部邊緣時(shí)，對(duì)所述閉運(yùn)算圖像進(jìn)行孔洞填充，得到所述二值化細(xì)胞圖像。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)所述二值化細(xì)胞圖像進(jìn)行細(xì)胞分割，得到所述子細(xì)胞圖像，包括：

在所述二值化細(xì)胞圖像中查找細(xì)胞輪廓，得到細(xì)胞輪廓信息；

根據(jù)所述細(xì)胞輪廓信息，獲取包含所述細(xì)胞輪廓的最小外界矩形，得到所述子細(xì)胞圖像。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述期望產(chǎn)物為蛋白質(zhì)。