基于人工智能的计数算法能够对抗原特异性B细胞ELISPOT和FluoroSpot检测中观察到的广泛的斑点形态进行准确和详细的分析。

抗原特异性B细胞ELISPOT和多色荧光斑点检测，其中膜结合的抗原本身作为B细胞分泌的抗体的捕获试剂，必然会产生广泛的斑点大小和强度。分泌足迹形态的多样性反映了抗原特异性B细胞库的多克隆性质，测试样本中单个分泌抗体的B细胞在抗原亲和力、精细表位特异性和激活/分泌动力学方面存在差异。为了解释这些异质的点形貌，并消除逐个设置主观计数参数的需要，CTL在这里引入了其先进的基于深度学习的Intellicount。"算法集成在lmmunoSpot® Studio软件套件中，该套件整合了CTL的专有深度神经网络。在此，我们报告对形态广泛的斑点的详细分析，这些斑点使用标准的参数计数方法难以分析。Intellicount特别是在结合高动态范围(HDR)成像时允许从这些斑点中提取准确、高含量的信息，这对于评估抗原特异性记忆B细胞库的体外亲和力分布是必要的。智能计数"此外，该方法还扩展了抗体分泌B细胞的数量与检测到的斑点数量之间的线性范围;也就是说，可以准确地确定抗原特异性B细胞的出现频率。因此，通过在B细胞ELISPOT/FluoroSpot测定中引入分泌足迹的高通量分析从根本上提高了使用新鲜分离或冷冻保存的原代细胞材料(如外周血单核细胞)研究抗原特异性B细胞库的深度。

文章下载