深度学习用于量化早期分化的人类诱导多能干细胞的空间模式和形成过程,具有微型图像

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.
• 计算生物学是一种计算生物学.

背景情况:

• 微纹是量化人类诱导的多能干细胞 (hiPSC) 多能性的可靠方法.
• hiPSCs在微型模式上差异化,形成三个胚胎层的空间模式.
• 在科学使用之前,量化多能性对于评估hiPSC线路质量至关重要.

研究的目的:

• 开发和验证一种深度学习方法,用于使用微模式图像量化hiPSC多能性.
• 在早期hiPSC分化过程中细分和分析胚胎层和胚外细胞空间模式.
• 为准确评估hiPSC多能性提供一个工具.

主要方法:

• 利用U-net结构进行解码和编码,以分割来自Hoechst的hiPSC (染色DNA) 和明亮场微型图像.
• 开发了一个U-net结构来提取胚外区域.
• 实施了比较光图像强度的算法,以识别和细分胚胎细胞.

主要成果:

• 对于Hoechst和明亮场图像,分别实现了86%和85%的细胞数精度.
• 实现了Hoechst和明亮场图像的89%和81%的细胞区域精度.
• 在多个hiPSC线,微模式大小,标记物和细胞状态 (活/固定) 上证明了成功的应用.

结论:

• 拟议的深度学习方法通过空间模式分析有效量化hiPSC多能性.
• 该方法可以详细评估细胞数量,面积和生殖层和胚胎外细胞的分布.
• 这种工具对于在向科学界发布之前评估新的hiPSC线路非常有价值.