Machine learning (ML) classification of cells on the basis of their viscoelastic properties
Classification des cellules par machine learning (ML) sur la base de leurs propriétés viscoélastiques
Résumé
Mechano-biological measurements have the potential to distinguish healthy cells from pathological cells. Since 2007, a number of articles have shown that metastatic cancer cells have a Young's modulus (or elastic modulus) measured by atomic force microscopy (AFM) on living cells that is significantly lower than that of benign cells. However, cells are not inert and purely elastic materials, but dynamic and viscoelastic systems. In order to measure these viscoelastic properties in living cells, we carried out dynamic mechanical analysis (DMA) measurements using AFM. After indenting a cell, we apply a strain and record the stress. The strain is proportional to the pulsation and therefore to the 6 frequencies we chose (from 1 to 200 Hz), and the stress is proportional to the phase shift of this pulsation. Knowing the strain and stress, we can then calculate G' (shear storage) in phase with the strain and G'' (shear loss) in phase with the strain rate. In our study, we sought to classify a population of cancer cells from a population of non-cancer cells. On each cell, 16 force curves (FC) and 19 characteristics/FC, corresponding to the viscoelastic properties and constituting a part of the mechanome, were calculated. All the FCs were then classified using machine learning (ML) tools with a statistical approach based on a fuzzy logic algorithm, trained to discriminate between non-malignant and cancerous cells (training basis, up to 51 cells/cell line). The proof of concept was carried out on non-malignant (RWPE-1) and cancerous (PC3-GFP) prostate cell lines. After developing an algorithm to automate AFM measurements, we were able to measure 141 cells in DMA and demonstrated the ability of our method to correctly classify between 68 and 74 % of cells (31 cells in the test base/cell line).
Les mesures mécanobiologiques ont le potentiel de distinguer les cellules saines des cellules pathologiques. Depuis 2007, plusieurs articles ont montré que les cellules cancéreuses métastatiques ont un module d'Young (ou module élastique) mesuré par microscopie à force atomique (AFM) sur des cellules vivantes qui est significativement inférieur à celui des cellules bénignes. Cependant, les cellules ne sont pas des matériaux inertes et purement élastiques, mais des systèmes dynamiques et viscoélastiques. Afin de mesurer ces propriétés viscoélastiques dans les cellules vivantes, nous avons effectué des mesures d'analyse mécanique dynamique (DMA) à l'aide de l'AFM. Après avoir indenté une cellule, nous appliquons une déformation et enregistrons la contrainte. La déformation est proportionnelle à la pulsation et donc aux 6 fréquences que nous avons choisies (de 1 à 200 Hz), et la contrainte est proportionnelle au déphasage de cette pulsation. Connaissant la déformation et la contrainte, on peut alors calculer G' (stockage de cisaillement) en phase avec la déformation et G'' (perte de cisaillement) en phase avec le taux de déformation. Dans notre étude, nous avons cherché à classer une population de cellules cancéreuses d'une population de cellules non cancéreuses. Sur chaque cellule, 16 courbes de force (FC) et 19 caractéristiques/FC, correspondant aux propriétés viscoélastiques et constituant une partie du mécanome, ont été calculées. Toutes les courbes de force ont ensuite été classées à l'aide d'outils d'apprentissage automatique avec une approche statistique basée sur un algorithme de logique floue, entraînée à discriminer les cellules non malignes des cellules cancéreuses (base d'entraînement, jusqu'à 51 cellules/ligne cellulaire). La preuve de concept a été réalisée sur des lignées de cellules de prostate non malignes (RWPE-1) et cancéreuses (PC3-GFP). Après avoir développé un algorithme pour automatiser les mesures AFM, nous avons pu mesurer 141 cellules en DMA et avons démontré la capacité de notre méthode à classer correctement entre 68 et 74 % des cellules (31 cellules dans la base de test/lignée cellulaire).
Domaines
Biophysique| Origine | Fichiers produits par l'(les) auteur(s) |
|---|