دستكاري كنترل شده حركت سلول ها در تراشه هاي ميكروسيال با استفاده از يادگيري ماشين به منظور كمك در درمان سرطان

Controlled manipulation of cell movement in microfluidic chips using machine learning to aid in cancer therapy

دستكاري سلول‌ها ، قطرات و ذرات از طريق امواج فراصوت به صورت كنترل پويا در تراشه‌هاي ميكروسيال زمينه‌اي است كه به سرعت در حال رشد بوده و با كاربردهايي در مرتب‌سازي سلول‌ها و ذرات، تقسيم خون، انتقال قطرات، و غني‌سازي سلول‌هاي كمياب يا سرطاني و غيره همواره در اين مسير پژوهش هاي متعددي را رقم زده است. با اين حال، روش‌هاي فعلي با يك مبدل اولتراسونيك، كنترل محدودي از موقعيت تك ذرات را ارائه مي‌دهند. پيرو همين موضوع، ما قصد داريم درباره دستكاري دو بعدي حلقه بسته ذرات در داخل تراشه‌هاي ميكروسيال كانال بسته از طريق كنترل فركانس يك مبدل اولتراسوند براساس موقعيت‌هاي اندازه‌گيري شده با ديد ماشيني ، پژوهشي تئوري-عملي انجام دهيم. براي كار كنترل توسط يادگيري ماشين، ما استفاده از الگوريتم‌هاي مشتق شده از خانواده الگوريتم‌هاي راهزن چند مسلح را بررسي مي‌كنيم. ما مطالعه ميكنيم كه اين الگوريتم‌ها مي‌توانند بدون اطلاعات قبلي در مورد اشكال ميدان صوتي به دستكاري كنترل‌شده دست يابند. روش همانطور كه پيش مي رود ياد مي گيرد و در هيچ نقطه اي نيازي به راه اندازي مجدد آزمايش نيست. الگوريتم‌ها كه بدون دانش از اشكال ميدان شروع مي‌كنند، مي‌توانند يك ذره را از يك موقعيت داخل محفظه به موقعيت ديگر منتقل كنند. اين باعث مي شود كه روش در برابر تغييرات در خواص تراشه و ذرات بسيار قوي باشد. تحقيقات انجام شده نشان ميدهد كه اين روش مي‌تواند براي دستكاري يك ذره، سه ذره به طور همزمان و همچنين يك ذره در حضور حباب در تراشه استفاده شود. در نهايت، متوجه خواهيم شد كه روش مذكور به هيچ مدل يا كاليبراسيون نياز ندارد كه همين نكته، راه را براي دستكاري آكوستيك ميكروذرات در محيط‌هاي بدون ساختار هموار مي‌كند.

Dynamically controlled manipulation of cells, droplets, and particles via ultrasound in microfluidic chips is a rapidly growing field with applications in cell and particle sorting, blood fractionation, droplet transfer, and rare or cancer cell enrichment. This path has resulted in many researches. However, current methods with an ultrasonic transducer offer limited control over the position of single particles. Following this issue, we intend to conduct a theoretical-practical research on two-dimensional closed-loop manipulation of particles inside closed-channel microfluidic chips through frequency control of an ultrasound transducer based on positions measured by machine vision. For the task of control by machine learning, we investigate the use of algorithms derived from the family of multi-armed bandit algorithms. We study that these algorithms can achieve controlled manipulation without prior knowledge about the shape of the sound field. The method learns as it goes and there is no need to restart the experiment at any point. Algorithms starting with no knowledge of field shapes can move a particle from one position within the enclosure to another. This makes the method very robust against changes in chip and particle properties. The research shows that this method can be used to manipulate one particle, three particles simultaneously, and also one particle in the presence of bubbles in the chip. Finally, we will note that the method does not require any model or calibration, which paves the way for the acoustic manipulation of microparticles in unstructured media.