Разработка программы, анализирующей рост клеток�для искусственного мясного продукта
BLUE SKY RESEARCH
искусственный интеллект в АПК и пищевой промышленности
BSR-2023-26
Защита 4 ЭТАПА
Кириченко Е. Ю., Головин С. Н., Петрушан М.В., Копелиович М.В.
Донской государственный технический университет, ООО «Вижнтех»
Актуальность
Проблема
Клетки
адгезированы
к пластику
Клетки
суспендированы
в среде
Во флакон вносится раствор трипсина/версена для открепления клеток
Встряхивание
от 5 до 20 минут
Окрашивание трипановым синим
Ручной подсчет клеток при помощи гемоцитометра
Стандартная процедура подсчета клеток в одном флаконе занимает у опытного оператора около 20 минут
Проблема
На данном фото оператор работает одновременно с 30 флаконами.
Только подсчет клеток займет весь рабочий день!
Проблема
Имеющееся на настоящий момент оборудование для автоматического подсчета клеток является дорогостоящим, имеет одноразовые счетные камеры и снабжается проприетарным ПО.
Не все модели оборудования в настоящий момент доступны к приобретению в РФ.
Целевая аудитория
Идея
Прямой автоматический подсчет клеток без открепления и окрашивания с возможностью работы при помощи смартфона.
Независимо от опыта оператора процедура будет занимать не более 5 минут.
Датасет
Решение и его степень проработки
Практическая задача: определить, как изменится скорость роста клеточной культуры при замене компонента питательной среды на синтетический аналог
– Воздействие на клетки
– Влияние оператора
Автоматическое определение концентрации клеток
Автоматическое определение концентрации клеток
Программный анализ динамики роста клеточной культуры
Решение и его степень проработки
Архитектура нейросетевого детектора клеток
Архитектуры ResNet
Модель Faster R-CNN
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in neural information processing systems, 28.
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).
Архитектура нейросетевого детектора клеток
График роста клеточной массы фибробластов
Проверка на тестовых данных: жёлтый – верные детекции клеток, красный – ложные,
зелёный – пропуски
Главный результат работы в Конкурсе
Прототип программы анализа роста клеток, реализующий:
Оценка конфлюэнтности монослоя клеток:
Ошибка оценки количества клеток: Фибробласты: 24.7%, Миоциты: 14.5%, Адипоциты: 18.7%
Публикации по теме проекта
Морфофункциональная характеристика клеток прототипа искусственного мясного продукта, полученного методом 3D-биопечати.
Q1
Коммерциализация проекта
Решение:
Перспективы коммерциализации:
План научного развития проекта
В клинической лабораторной диагностике и ветеринарии огромное количество рутинной микроскопии различных биологических жидкостей (крови, мочи, спермы, мокроты и тд.) осуществляется человеком вручную.
Барьер масштабирования:
новый тип клеток требует дообучения на новом датасете.
Выход:
вовлечение студентов в проект
Стратегия медиакоммуникации
Благодаря Проекту был создан прототип искусственного клеточного мяса, широко освещенного в СМИ и социальных сетях
Ректор ДГТУ Бессарион Месхи
https://donstu.ru/news/nauka/uchenye-dgtu-predstavili-kletochnoe-myaso/
https://csr-nw.ru/news/detail.php?ID=1646
Команда
Кириченко Евгения
Головин Сергей
Петрушан Михаил
Копелиович Михаил
НАУЧНЫЙ ЗАКАЗЧИК
НАУЧНЫЙ ИСПОЛНИТЕЛЬ