Una strategia di apprendimento automatico basata su immagini di cellule vive per monitorare la differenziazione delle cellule staminali pluripotenti

In questo studio, basato su immagini in campo chiaro di cellule vive, abbiamo sviluppato una strategia, sfruttando diversi modelli di apprendimento automatico. Questa strategia può identificare la linea cellulare in modo non invasivo, modulare il processo di differenziazione in tempo reale e ottimizzare il protocollo di differenziazione, migliorando l'invulnerabilità nella PSC-differenziazione cellulare funzionale. Le cellule staminali pluripotenti presentano la capacità di differenziarsi in molti tipi di cellule in vitro, che potrebbero essere utilizzate per la terapia cellulare, la modellazione della malattia e lo sviluppo di farmaci.

Uno dei problemi principali nella produzione di cellule derivate da PSC è l'instabilità tra le linee cellulari e i lotti. Spesso porta a più esperimenti ripetuti, che richiedono molto tempo e lavoro. Attualmente, le tecnologie microscopiche all'avanguardia potrebbero supportare l'acquisizione di immagini a lungo termine in time-lapse e ad alto rendimento su cellule vive.

Nel frattempo, il metodo di apprendimento automatico in rapida evoluzione viene sempre più applicato nell'analisi delle immagini cellulari, il che sta aprendo la possibilità di riconoscere specifici costituenti cellulari o immagini cellulari durante la differenziazione in coltura cellulare. Si spera che questo metodo possa essere applicato ad altri sistemi standardizzati di induzione del destino cellulare come la differenziazione degli organoidi, la transdifferenziazione diretta o la programmazione cellulare, specialmente per i sistemi instabili che richiedono più passaggi e induttori complessi. Inoltre, la nostra strategia è compatibile con altre tecnologie, che possono essere integrate in modo promettente in un sistema autoadattativo e a circuito chiuso per l'elaborazione completamente automatica della differenziazione PSC in vitro.