芯片细胞分布与增殖、迁移参数推算
胶质母细胞瘤细胞在低氧环境中可能改变增殖与迁移行为。2021 年发表于 Computers in Biology and Medicine 的研究，由西班牙萨拉戈萨大学（University of Zaragoza）团队开展，尝试从微流控培养图像推算描述这些行为的参数，再将参数用于计算模型。
它关注的是细胞在芯片内的空间分布怎样对应增殖活动、趋化迁移和低氧阈值。研究者希望由此减少逐次拟合模型的工作，为后续肿瘤行为研究提供更快的分析方法。
活细胞与死细胞图像的浓度分布转换
实验图像分别显示存活和死亡细胞。团队将这些信号处理为沿芯片方向的细胞浓度分布，以细胞群体为分析单位。存活与死亡 2 种细胞的分布共同作为卷积神经网络（convolutional neural network，CNN）的输入。
浓度换算包含明确假设，例如荧光强度与细胞浓度之间的比例关系。计算模型则事先描述氧供应、细胞迁移、增殖和死亡，并用特定函数表示低氧条件下的行为转换。网络学习的是这些既定描述中的参数。
训练材料主要来自数学模拟
团队用已经与体外实验比较过的数学模型生成 12,000 组虚拟结果，其中 8,000 组用于训练、2,000 组用于训练期间验证，另 2,000 组作为测试集。每组包含模拟的细胞分布和预先设定的参数，使网络能够学习由分布反推参数。
在模拟测试集中，3 个参数的预测值与预设值相关系数均超过 0.99。
这 3 个参数分别描述增殖、趋化迁移和低氧转换阈值。计算模型预先假定，细胞在氧较充足时偏向增殖，低氧时偏向迁移；网络在这一假设下反推参数。
通过重复训练和噪声检验考察稳定性
作者用 100 组不同初始权重重复训练，检查结果是否强烈依赖随机起点；又进行 10 次随机训练与验证划分，同时保持同一测试集，比较不同训练数据选择的影响。结果总体较稳定。
研究还向输入分布加入不同程度的噪声。噪声增加后，部分参数的误差增大，但将预测参数重新放入数学模型，仍可重现主要细胞分布趋势。这个比较表明方法对噪声有一定容忍度。
U-251 图像中的迁移拟合与增殖参数难题
团队随后使用已有 U-251 胶质母细胞瘤芯片实验图像。由图像推算参数后，模型能够重现坏死核心附近的细胞分布，并用于比较另一种相同细胞系的迁移结构。迁移相关参数和低氧阈值与此前传统拟合结果较接近，但增殖参数出现明显差异，甚至得到负值。
参数扫描显示，在这些以迁移为主的低氧实验中，增殖参数对最终细胞分布影响很小，不同取值可产生相近曲线。趋化迁移参数和低氧阈值的影响则较大。作者因此认为，当前实验不足以可靠确定增殖参数。
训练条件、实验设计与参数应用范围
方法需要一个合适的基础数学模型，也依赖受控的初始和边界条件。网络的训练数据对应特定实验条件。取得参数后可以检验类似场景，增殖占主导的实验则需要进一步确定增殖参数。
作者提出，后续可将患者来源肿瘤样本的图像与计算模型结合，研究个体间行为差异。为识别增殖参数，还需要让增殖对结果具有明显影响的实验条件。