编辑推荐：
本研究开发了一种基于1D卷积神经网络的BioFluxNet算法，可直接分析阻抗细胞计量的原始电信号，实现细胞类型分类和数量自动统计，实验验证其高效性和减少人工干预的优势。
周后臣|周正|王龙龙|唐文来|魏世杰|朱书
南京师范大学电气与自动化工程学院，江苏省3D打印设备与制造重点实验室，南京，210023，中国
摘要
在这项研究中，我们开发了BioFluxNet，这是一种基于1D卷积神经网络（CNN）的算法，用于自动分析阻抗流式细胞术中的原始电信号，以直接分类细胞类型并量化细胞数量。该网络包括三个功能模块：特征提取模块（包含5个卷积层、归一化层、激活层和池化层）；分类模块（包含一个线性层）；以及计数模块（包含两个线性层和一个激活层）。从具有蛇形微通道和四对面对面电极的阻抗流式细胞仪中收集的颗粒和细胞的原始信号流被存储为训练集和测试集，然后用于训练和测试BioFluxNet。结果表明，经过良好训练的网络能够对来自不同颗粒和细胞（包括血液细胞和肿瘤细胞）的原始信号流进行稳健的分类，同时能够准确计数相应信号流中的颗粒或细胞。与传统信号处理方法相比，BioFluxNet消除了许多耗时的信号处理步骤，减少了人工干预，并最大限度地降低了操作者的主观性。所提出的深度学习框架为阻抗流式细胞术中的电信号分析提供了一种快速、自动化的解决方案，在细胞表征及相关生物医学领域具有广泛的应用前景。
引言
细胞分析是现代生物医学研究的基石，为疾病机制、治疗开发以及基本生物过程提供了不可或缺的见解。传统的流式细胞术是一种高通量细胞分析的金标准技术，它依赖于荧光标记来根据分子标记物对细胞类型进行分类。尽管在生物实验室环境中效果显著，但其临床和即时检测应用受到限制。对荧光探针的需求不仅增加了成本和准备时间，还由于批次间试剂差异和光漂白风险而引入了变异性。此外，仪器校准和维护的复杂性限制了其在资源有限环境中的应用。这些挑战促使人们探索替代技术，其中阻抗流式细胞术作为一种可选方法应运而生。通过利用嵌入在微流控通道中的电极，阻抗流式细胞术测量细胞通过检测区域时引起的电阻抗变化。这种无标记方法将细胞的生物物理特性（如大小、膜电容和细胞质导电性）转化为时间依赖的电信号，从而实现无标记的快速准确细胞分类。其与微型系统的兼容性和低成本操作使其成为疾病诊断和单细胞分析的有前景工具。
尽管阻抗流式细胞术在理论上具有优势，但其实际应用面临基于原始信号处理的重大挑战。获取的信号本质上存在噪声，受到电子元件的高频干扰、环境波动引起的基线漂移以及同时发生的细胞事件导致的重叠峰值的污染。这些伪影掩盖了关键的细胞特征，使得准确的特征提取和解释变得复杂。传统的信号处理方法通过过滤、基线校正和峰值检测等顺序步骤来解决这些问题，通常结合主成分分析（PCA）或小波变换等降维技术。然而，这些方法需要繁琐的手动参数调整（例如，峰值识别的阈值选择），并且对用户的专业知识要求很高。例如，不一致的基线校正可能会人为地放大或抑制信号幅度，导致细胞亚型的错误分类。此外，这些工作流程的顺序步骤引入了累积误差，降低了可重复性和可扩展性，这对于需要稳健、标准化协议的临床应用来说是一个关键限制。
深度学习的最新进展为信号处理方法提供了灵感，解决了上述文本中提到的固有挑战。特别是卷积神经网络（CNN）在自主从原始数据中提取判别特征方面表现出色，无需手动预处理。在语音识别和心电图（ECG）分析等领域，CNN在捕获多尺度时间模式和抑制噪声方面取得了显著成功。在阻抗流式细胞术中应用深度学习的研究已经实现了通过深度学习获取颗粒的大小、速度、位置和类型等信息。然而，其在阻抗流式细胞术中的应用仍需进一步探索。现有研究主要集中在使用预处理信号的后处理分类任务上，忽视了神经网络直接将原始阻抗数据映射到细胞特征的潜力。例如，当前的神经网络模型通常依赖于预先分割的信号峰值进行细胞分类，忽略了连续信号流中嵌入的信息。此外，传统方法将细胞分类和计数视为独立任务，忽略了它们在特征空间中的内在相关性。这种传统策略不仅增加了计算复杂性，还削弱了模型的泛化能力。
为了克服这些限制，本研究构建了BioFluxNet，这是一个端到端的1D CNN框架，通过直接分析原始电信号同时解决了阻抗流式细胞术中的分类和计数挑战。该神经网络包括特征提取、细胞分类和计数模块，消除了许多手动处理步骤，提高了分析的一致性。在构建神经网络后，我们使用具有蛇形通道和四对面对面电极的阻抗流式细胞仪获取了颗粒、血液细胞和肿瘤细胞的完整原始信号流，以验证BioFluxNet的性能。实验结果表明，BioFluxNet能够对不同类型颗粒或细胞的原始信号流进行稳健且快速的分类，并计算相应信号流中的颗粒或细胞数量。总体而言，神经网络处理生物样本原始信号的适用性表明了其在推进即时诊断、液体活检技术和高通量单细胞研究方面的潜力。
工作原理
在这项工作中，通过配备有蛇形通道和四对面对面电极的检测芯片获取了颗粒的阻抗信号，如图1(a)所示。简而言之，当颗粒在蛇形通道中以有限的流速流动时，会受到惯性升力（FL）和 dean 阻力（FD）的共同作用，颗粒可以被聚焦在通道的两个特定位置，这在我们之前的工作中已有报道。四个
不同颗粒之间阻抗信号的区分
在这项工作的早期阶段，进行了标准聚苯乙烯颗粒的检测实验，以评估我们阻抗检测芯片的性能。分别以100 μL/min的流速将7 μm、10 μm、15 μm或20 μm的颗粒悬浮液泵入检测芯片中，代表性的电信号如图3(a)和S3-5所示。由于电极配置和独特的电流差分方法，波形具有四个
结论
在这项工作中，我们开发了一种基于1D CNN的电信号分析算法BioFluxNet，用于直接从阻抗流式细胞术中的原始信号中获取细胞类型和数量。BioFluxNet主要由三个模块组成：特征提取、细胞分类和计数；特征提取模块主要包括5个卷积层、5个归一化层、5个激活层和5个池化层；
CRediT作者贡献声明
王龙龙：验证、软件开发。唐文来：撰写 – 审稿与编辑、监督、项目管理、概念化。周后臣：撰写 – 初稿撰写、资源提供、数据管理。周正：软件开发、资源提供、概念化。魏世杰：监督、软件开发、资源提供。朱书：撰写 – 审稿与编辑、监督、资金筹集、概念化
利益冲突
没有需要声明的利益冲突。
利益冲突声明
? 作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
本研究工作得到了江苏省自然科学基金（项目编号BK20250646）和江苏省重点研发计划（项目编号BE2022069-3）的支持。
