一种基于活细胞图像的机器学习策略,用于减少PSC分化系统的变化

科学领域:

• 干细胞生物学 干细胞生物学
• 生物技术是生物技术.
• 医学中的人工智能.

背景情况:

• 多能干细胞 (PSC) 的分化对于药物发现,疾病建模和再生医学至关重要.
• 显著的PSC差异化变化阻碍了研究进展和细胞产品制造.
• 心肌细胞 (CM) 的分化对初始中皮层诱导条件特别敏感,如CHIR99021 (CHIR) 剂量.

研究的目的:

• 开发一种实时的非侵入性方法,使用活细胞成像和机器学习 (ML) 来监测和控制PSC分化.
• 为了提高PSC差异化的一致性和效率,克服批量对批量和线对线的变化.
• 确定纠正误区分和提高细胞产品质量的策略.

主要方法:

• 利用活细胞明亮场成像,在分化过程中实时识别各种细胞类型.
• 采用机器学习 (ML) 模型进行细胞识别,差异化效率预测和质量控制.
• 使用ML模型作为化学选的读数,以识别提高分化强度的化合物.

主要成果:

• 基于ML的实时细胞识别使PSC分化的非侵入性监测成为可能,包括CMs,心脏原生细胞 (CPCs) 和错误分化的细胞.
• 该系统允许净化所需的细胞类型,早期评估和纠正CHIR剂量问题,并控制分化启动.
• 确定了一种CDK8抑制剂,可以增强细胞对CHIR过量剂的抵抗力,进一步改善分化的一致性.

结论:

• 人工智能与活细胞成像相结合,提供了一种强大的方法来指导和优化PSC分化.
• 这种人工智能驱动的方法确保在不同的细胞系和批次中始终保持高的差异化效率.
• 该研究为分化过程的合理调节提供了基础,为生物医学应用推进了功能性细胞制造.