論文の概要: Single-cell identification with quantum-enhanced nuclear magnetic resonance

• arxiv url: http://arxiv.org/abs/2512.07307v1
• Date: Mon, 08 Dec 2025 08:48:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.793557
• Title: Single-cell identification with quantum-enhanced nuclear magnetic resonance
• Title（参考訳）: 量子増強核磁気共鳴を用いた単一細胞同定
• Authors: Zhiyuan Zhao, Qian Shi, Shaoyi Xu, Xiangyu Ye, Mengze Shen, Jia Su, Ya Wang, Tianyu Xie, Qingsong Hu, Fazhan Shi, Jiangfeng Du,
• Abstract要約: 細胞内プロトン信号のラベルなし検出のために,ダイヤモンド窒素空孔中心を用いた量子増幅NMRを用いた単一セル同定手法を提案する。 これは、レア細胞分析、パーソナライズドメディカル、単細胞診断におけるラベルフリーなソートのための基礎となる。
• 参考スコア（独自算出の注目度）: 9.310896259947656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of individual cells within heterogeneous populations is essential for biomedical research and clinical diagnostics. Conventional labeling-based sorting methods, such as fluorescence-activated cell sorting and magnetic-activated cell sorting, enable precise sorting when reliable markers are available. However, their applicability is limited in cells lacking defined markers or sensitive to labeling, as labeling can compromise cellular viability and function. We present a single-cell identification approach using quantum-enhanced NMR with diamond nitrogen-vacancy centers for label-free detection of intracellular proton ($^1$H) signals. Using this method, we distinguish two human tumor cell lines by their proton spin-lattice ($T_1$) relaxation times, which serve as a cell-intrinsic physicochemical signature. It lays the groundwork for label-free sorting applications in rare cell analysis, personalized medicine, and single-cell diagnostics.
• Abstract（参考訳）: 異種集団内の個々の細胞の同定は、生体医学研究および臨床診断に不可欠である。 蛍光活性細胞ソートや磁気活性細胞ソートのような従来のラベリングに基づくソート手法は、信頼できるマーカーが利用可能であれば、正確なソートを可能にする。 しかし、その適用性は、特定のマーカーが欠如している細胞やラベル付けに敏感な細胞に限られており、ラベリングは細胞の生存可能性や機能に悪影響を及ぼす可能性がある。 細胞内プロトン(^1$H)信号のラベルなし検出のために,ダイヤモンド窒素空孔中心を用いた量子増幅NMRを用いた単一セル同定手法を提案する。 この方法を用いて,ヒト腫瘍細胞株2株をプロトンスピン格子(T_1$)緩和時間で識別し,細胞内化学的署名として機能する。 これは、レア細胞分析、パーソナライズドメディカル、単細胞診断におけるラベルフリーなソートのための基礎となる。

関連論文リスト

• Optimizing SPION Labeling for Single-Cell Magnetic Microscopy [0.0]
  本研究では, 細胞表面の鉄質量と磁場の関係について検討した。 ヒト大腸癌細胞 (HT29) にSPIONの濃度の変動を標識し, NV中心広視野磁気顕微鏡で観察した。
  論文  参考訳（メタデータ） (2025-05-26T13:47:40Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer Tissue Biopsy Samples [94.37521840642141]
  生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。 これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
  論文  参考訳（メタデータ） (2022-03-23T00:58:27Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• TIMELY: Improving Labeling Consistency in Medical Imaging for Cell Type Classification [6.027000905586107]
  白血病や貧血などの疾患の診断には、確実な数の血液細胞が必要である。 血液学者は通常、手動で血液細胞の顕微鏡画像にラベルを付け、カウントする。 多くの場合、異なる成熟状態の細胞は識別が困難であり、画像ノイズや主観性と組み合わせることで、人間はラベル付けミスをしがちである。 擬似時間推定法と不均一な隠れマルコフ木を組み合わせた確率モデルであるTIMELYを導入する。
  論文  参考訳（メタデータ） (2020-07-10T11:13:13Z)
• Cell Mechanics Based Computational Classification of Red Blood Cells Via Machine Intelligence Applied to Morpho-Rheological Markers [0.0]
  非教師なし機械学習手法は、リアルタイム変形性と蛍光(RT-FDC)により得られる形態・レオロジーマーカーにのみ適用される 提案手法は, 成熟赤血球由来の赤血球の分類において, ラベルフリーで有望な結果が得られたことを報告した。
  論文  参考訳（メタデータ） (2020-03-02T15:11:46Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。