高容量,无标签成像用于量化诱导多能干细胞殖民地中单细胞动态
Anthony J Asmar1, Zackery A Benson1, Adele P Peskin2
1Biosystems and Biomaterials Division Material Measurement Lab, NIST Gaithersburg, Gaithersburg, Maryland, United States of America.
PloS one
|February 20, 2024
概括
我们开发了一个人工智能管道,通过细分细胞核和检测相位对比图像中的线粒分裂,跟踪未标记的诱导多能干细胞 (iPSCs),从而使细胞健康的非侵入性评估成为可能.
科学领域:
- 干细胞生物学 干细胞生物学
- 人工智能的人工智能
- 生物技术是生物技术.
背景情况:
- 在培养过程中对诱导多能干细胞 (iPSC) 的表征对于再生医学至关重要.
- 需要使用非侵入性方法来监测iPSC的扩散和健康状况,而不需要标记.
研究的目的:
- 使用相对比显微镜开发人工智能管道,用于在未标记的iPSC中实现自动核细分和共裂检测.
- 为了实现单个iPSC的非侵入性,高通量跟踪和细胞分裂率的评估.
主要方法:
- 图像分析使用了2D和3DU-Net卷积神经网络架构.
- 光数据被用来训练模型进行相对比图像分割,避免手动注释.
- 集成了经典的图像处理程序,以实现强大的核细分.
主要成果:
- 人工智能管道在细分核和检测线粒事件方面取得了很高的准确性 (平均F1分数为0.94).
- 该模型证明了跨不同细胞密度和多能细胞系的概括性.
- 在36小时内,对数十万个细胞进行了线粒分裂和细胞分裂率的非侵入性评估.
结论:
- 开发的AI管道提供了一种可靠且非侵入性的方法来表征未标记的iPSC.
- 这种方法通过监测细胞分裂动态来促进细胞状态和健康的评估.
- 该方法适用于 iPSC 培养的长期大规模监测.
