Стратегия машинного обучения на основе изображений живых клеток для мониторинга дифференцировки плюрипотентных стволовых клеток

В этом исследовании, основанном на изображениях яркого поля живых клеток, мы разработали стратегию, использующую различные модели машинного обучения. Эта стратегия может неинвазивно идентифицировать клеточную линию, модулировать процесс дифференцировки в режиме реального времени и оптимизировать протокол дифференцировки, улучшая неуязвимость при дифференцировке ПСХ в функциональные клетки. Плюрипотентные стволовые клетки обладают способностью дифференцироваться во многие типы клеток in vitro, которые могут быть использованы для клеточной терапии, моделирования заболеваний и разработки лекарств.

Одной из основных проблем при производстве клеток, полученных из ПСХ, является нестабильность между клеточными линиями и партиями. Это часто приводит к многократным повторным экспериментам, отнимающим значительное время и труд. В настоящее время современные микроскопические технологии могут поддерживать долгосрочную покадровую съемку изображений живых клеток с высокой пропускной способностью.

Между тем, быстро развивающийся метод машинного обучения все чаще применяется в анализе клеточных изображений, что открывает возможности для распознавания конкретных клеточных компонентов или изображений клеток во время дифференцировки в клеточной культуре. Можно надеяться, что этот метод может быть применен к стандартизированным другим системам индукции судьбы клеток, таким как дифференцировка органоидов, прямая трансдифференцировка или клеточное программирование, особенно для нестабильных систем, требующих многоступенчатых и сложных индукторов. Кроме того, наша стратегия совместима с другими технологиями, которые перспективно могут быть интегрированы в самоадаптирующуюся и замкнутую систему для полностью автоматической обработки дифференцировки ПСК in vitro.