一种基于图像的活细胞机器学习策略,用于监测多能干细胞分化

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.
• 机器学习应用程序 机器学习应用程序

背景情况:

• 多能干细胞 (PSC) 技术对于药物发现,疾病建模和再生医学至关重要.
• 目前的PSC差异化系统存在明显的线对线和批对批的变化,阻碍了可靠的结果.
• 实时精确控制细胞分化对于克服这些局限性至关重要.

研究的目的:

• 开发一种非侵入性,智能化的策略,以减轻多能干细胞分化的变异性.
• 建立一种实时控制和优化细胞分化过程的方法.
• 为了使PSCs在功能细胞中进行一致的,高质量的分化.

主要方法:

• 利用基于明亮场图像的机器学习来实时监测和控制细胞分化.
• 开发了一个协议,包括控制最初的PSC状态.
• 包括在分化过程中的早期评估和干预以及消除错误分化的细胞污染的方法.

主要成果:

• 成功展示了一种克服PSC分化变异性的策略,使用PSC-to-cardiomyocyte分化作为模型.
• 从PSC到功能性心肌细胞实现了始终高质量的分化.
• 验证了消除错误分化的细胞污染的潜力.

结论:

• 开发的基于明亮场图像的机器学习策略为PSC差异化的精确实时控制提供了强大的解决方案.
• 这种方法可以扩展到各种多步骤的细胞分化和重编程系统,支持细胞制造.
• 该方法增强了对细胞命运转化机制的理解,并促进了功能性细胞的可靠生产.