机器学习辅助的单细胞图像分析提高了对人类介质干细胞形态学异质性的理解

科学领域:

• 生物治疗学 生物治疗学
• 干细胞生物学 干细胞生物学
• 计算生物学 计算生物学

背景情况:

• 多能干细胞,特别是人间介质干细胞 (hMSCs),在生物治疗中至关重要,但在人群内和人群之间表现出显著的异质性.
• 这种异质性,源于不同的解剖来源和克隆内变异,使体外行为复杂化,并可能降低治疗疗效.
• 虽然生物标志物存在,但最近的进展通过人工智能利用细胞形态来实现一种新的方法来表征hMSCs.

研究的目的:

• 调查和量化两个不同的hMSC来源内的和之间的形态异质性:来自人体脱皮叶状牙 (SHED) 的干细胞和人类沃顿果介质干细胞 (hWJ MSCs).
• 通过解决观察到的异质性,开发和验证一个强大,快速的平台,以标准化生物治疗中的hMSC质量.
• 探索深度学习用于基于形态的hMSCs自动分类的应用.

主要方法:

• 利用成像流细胞计 (IFC) 的免疫类型定型,生成SHEDs和hWJ MSCs的实时单细胞图像.
• 采用ImageJ软件,用于识别和统计比较两个hMSC类型之间的生物相关形态描述符.
• 开发了一个基于卷积神经网络 (CNN) 的图像分类器,将转移学习纳入hMSCs的二进制分类.

主要成果:

• 通过IFC和形态分析,在SHED和hWJMSC内部和跨越它们,证明了显著的形态异质性.
• 成功开发了一个基于CNN的图像分类器,在hMSCs的二进制分类中实现了97.54%的高准确率.
• 建立了一种机器学习方法来简化hMSC的分类,解决异质性问题.

结论:

• 通过IFC和机器学习进行形态分析,提供了一种强大的方法来表征hMSC异质性.
• 开发的CNN分类器为生物治疗中标准化hMSC种群提供了快速而准确的方法.
• 未来的方向包括进一步完善机器学习模型及其应用,以提高基于干细胞的疗法的质量和一致性.