دستکاری کنترل شده حرکت سلول ها در تراشه های میکروسیال با استفاده از یادگیری ماشین به منظور کمک در درمان سرطان

دستکاری سلول‌ها ، قطرات و ذرات از طریق امواج فراصوت به صورت کنترل پویا در تراشه‌های میکروسیال زمینه‌ای است که به سرعت در حال رشد بوده و با کاربردهایی در مرتب‌سازی سلول‌ها و ذرات، تقسیم خون، انتقال قطرات، و غنی‌سازی سلول‌های کمیاب یا سرطانی و غیره همواره در این مسیر پژوهش های متعددی را رقم زده است. با این حال، روش‌های فعلی با یک مبدل اولتراسونیک، کنترل محدودی از موقعیت تک ذرات را ارائه می‌دهند. پیرو همین موضوع، ما قصد داریم درباره دستکاری دو بعدی حلقه بسته ذرات در داخل تراشه‌های میکروسیال کانال بسته از طریق کنترل فرکانس یک مبدل اولتراسوند براساس موقعیت‌های اندازه‌گیری شده با دید ماشینی ، پژوهشی تئوری-عملی انجام دهیم.برای کار کنترل توسط یادگیری ماشین، ما استفاده از الگوریتم‌های مشتق شده از خانواده الگوریتم‌های راهزن چند مسلح را بررسی می‌کنیم. ما مطالعه میکنیم که این الگوریتم‌ها می‌توانند بدون اطلاعات قبلی در مورد اشکال میدان صوتی به دستکاری کنترل‌شده دست یابند. روش همانطور که پیش می رود یاد می گیرد و در هیچ نقطه ای نیازی به راه اندازی مجدد آزمایش نیست. الگوریتم‌ها که بدون دانش از اشکال میدان شروع می‌کنند، می‌توانند یک ذره را از یک موقعیت داخل محفظه به موقعیت دیگر منتقل کنند. این باعث می شود که روش در برابر تغییرات در خواص تراشه و ذرات بسیار قوی باشد. تحقیقات انجام شده نشان میدهد که این روش می‌تواند برای دستکاری یک ذره، سه ذره به طور همزمان و همچنین یک ذره در حضور حباب در تراشه استفاده شود.در نهایت، متوجه خواهیم شد که روش مذکور به هیچ مدل یا کالیبراسیون نیاز ندارد که همین نکته، راه را برای دستکاری آکوستیک میکروذرات در محیط‌های بدون ساختار هموار می‌کند.

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

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.