课题组近期在《Advanced Science》期刊发表论文并入选期刊封面。该文章报道了一种结合深度学习图像识别和有源数字微流控的新型无标记细胞分选方法，可根据细胞形态进行分选并进行细胞裂解、组学分析等后续操作。

本文的第一作者为2023级北京理工大学机电学院硕士生郭宗良，通讯作者为北京理工大学医学技术学院的李航老师、中国科学院苏州生物医学工程技术研究所的马汉彬研究员，以及集成电路与电子学院的张帅龙教授。

论文网址：https://onlinelibrary.wiley.com/doi/10.1002/advs.202570001

论文信息：Guo, Z., Li, F., Li, H., Zhao, M., Liu, H., Wang, H., Hu, H., Fu, R., Lu, Y., Hu, S., Xie, H., Ma, H. and Zhang, S. (2025), Deep Learning-Assisted Label-Free Parallel Cell Sorting with Digital Microfluidics. Adv. Sci., 12: 2570001.

图 1. 期刊封面

图 2. 论文首页

图 3. AM-DMF 上的细胞分选示意图。(a) 系统概览。(i) AM-DMF 系统。(ii) AM-DMF 芯片横截面图。(iii) 在不同高度拍摄的液滴图像。(b) AM-DMF 上的细胞分选流程示意图。(c) 用于细胞识别的 YOLOv8 物体检测模型的结构和识别流程。

图 4. 模型训练评估。(a-c）YOLOv5、-v7 和 -v8 不同规模模型的推理时间和精度。(d）不同版本的 YOLO 模型在精确度、召回率、mAP@50、mAP@50-95 和推理时间等指标上的表现。(e) 在 HeLa-PSB 数据集上训练的 YOLOv8s 的混淆矩阵。三类对象的平均精度为 0.985。(f) 当训练epoch为 200 时各指标的变化趋势。(g-j）分别使用基于深度学习图像识别的 AM-DMF、Countess III 检测法和 ImageJ 得到的分类 HeLa 细胞和PSB 的圆度和直径的边际直方图。

图 5. 分选循环数对细胞分选结果的影响。(a-d）细胞分选过程的展示。(e). (i-iv）模拟和实验结果分别显示 HeLa-PSB、HeLa-RBC、HeLa-Jurkat 和 HL-60-Jurkat 分选的纯度与分选循环数的关系。(f). (i-iv) 模拟和实验结果分别显示 HeLa-PSB、HeLa-RBC、HeLa-Jurkat 和 HL-60-Jurkat 的分选的回收率随循环次数和细胞比例的变化趋势。

       本研究提出了一种突破性的无标记细胞分选技术，将深度学习图像识别与数字微流控（AM-DMF）操作相结合，通过YOLOv8算法实现细胞形态学特征的快速精准分辨和高效分选。该方法结合了AM-DMF的自动化单细胞操作和安全间隔路径规划算法，成功提高了分选回收率与纯度，并通过仿真模型和实验验证分析了各种参数对分选效果的影响，验证了目标检测模型精度对分选纯度和回收率的关键作用。实验结果表明，该方法在稀有细胞分选场景（如循环肿瘤细胞分选）中具有显著优势，且多次循环分选可实现高达80%的回收率和接近100%的纯度。此外，该技术在芯片上实现了一体化的单细胞裂解，展现出其在生物医学与临床诊断、治疗及研究中的巨大潜力。未来，随着相关技术的进一步发展与优化，该方法有望在细胞多组学与医疗应用中发挥重要作用。