概述
在本次網絡研討會上，介紹了用于藥物發現的VisionSort平臺。藥物篩選方法主要有兩種：靶向篩選和表型篩選。盡管兩者互為補充，表型篩選因其廣泛評估藥物作用機制和對細胞表型影響的能力而重新受到重視，且識別了最多的首創藥物。

傳統表型篩選的挑戰

• 存在孔間信號差異，需要復雜的細胞標記，圖像存儲和處理資源密集

• 依賴自動化顯微鏡平臺生成大量高內容數據

• 需要大量的多孔板，通常受限于固定或貼壁細胞

VisionSort 平臺的優勢

• 采用更靈活、高通量的方法進行表型篩選

• 同時捕獲高內容的無標記形態信息和熒光信號

• 不需要傳統的計算圖像處理和分析，速度快，能處理每小時1000萬個細胞，適用于活細胞和固定細胞

Ghost Cytometry 技術

• 高級光學、機器學習和微流體技術相結合

• 使用結構化照明捕獲單細胞形態信息

• 嵌入式機器學習模型快速分析數據

• 使用溫和的流體壓力分選細胞，保持細胞活性

數據生成與分析

• 生成反映光強度隨時間變化的波形數據，每秒超過1200萬個數據點

• 熒光波形不僅能檢測細胞總熒光強度，還能捕捉熒光信號的詳細空間分布

• 使用監督和非監督機器學習進行細胞表型分類

應用示例

1. HEK 293細胞表型分類

• VisionSort能夠無標記分離這兩種表型，分類準確率為0.97

• 使用熒光模式，將細胞標記為溶酶體或線粒體

     2. T細胞表型分類

• 無標記分離漿細胞與其B細胞前體

• 激活的人初級T細胞，標記表面細胞標記CD25和CD69

• VisionSort能夠僅通過形態學（無標記）分離這些T細胞表型，分類準確率為0.99

• 無標記分離疲勞和非疲勞T細胞

 藥物篩選案例研究

1. CRISPR篩選

• 用于NFkB核轉位模型，使用機器學習模型篩選目標基因，驗證了TLR4信號通路的成員基因富集

     2. 巨噬細胞極化

• 使用無標記模式，識別可能調節M1極化的基因，如BRD2基因

總結

VisionSort平臺通過高內容的形態信息、高速篩選能力、兼容多種CRISPR庫和NGS平臺，為藥物篩選和目標識別提供了新的可能性，增強了藥物發現流程。

重點

• VisionSort平臺的靈活性和高通量篩選能力

• Ghost Cytometry技術的先進性

• 機器學習在實時數據分析中的應用

• 實際應用中的高分類準確率和新穎基因調控發現

• 對藥物篩選流程的顯著提升和加速

通過這些優勢，VisionSort平臺在藥物發現中展現了巨大的潛力和廣泛的應用前景