在密集的混合神经培养中对细胞身份的公正识别
Sarah De Beuckeleer1, Tim Van De Looverbosch1, Johanna Van Den Daele1
1Laboratory of Cell Biology and Histology, University of Antwerp, Antwerp, Belgium.
eLife
|January 17, 2025
概括
我们开发了一种细胞绘画和人工智能成像试验,以准确识别复杂干细胞培养中的细胞类型. 这种方法改善了诱导多能干细胞 (iPSC) 衍生模型的质量控制,优于传统方法.
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:
- 诱导多能干细胞 (iPSC) 技术提供了革命性的潜力,但在表征多种细胞类型方面面临着挑战.
- 在iPSC线路的变化和缺乏有效的表征工具限制了它们在临床前查中的使用.
- 准确验证iPSC衍生的细胞培养成分对于可靠的研究至关重要.
研究的目的:
- 开发和验证一种成像试验,用于复杂的iPSC衍生物培养中的高准确性细胞类型识别.
- 评估细胞绘画和卷积神经网络方法用于分类细胞类型的性能.
- 评估这种方法对iPSC衍生的神经培养质量控制的有用性.
主要方法:
- 实施细胞绘画成像试验与卷积神经网络 (CNN) 结合.
- 使用纯和混合神经母细胞瘤和星细胞瘤细胞系进行基准测试,达到>96%的准确性.
- 应用区域限制的细胞分析方法,专注于密集培养的核区域.
- 通过量化神经元和原始细胞比率来评估iPSC衍生的神经分化状态.
主要成果:
- 基于CNN的成像测试在纯和混合培养中实现了超过96%的细胞类型分类准确度.
- 区域限制的细胞概况 (核区域) 保持了高精度,即使在非常密集的培养物中.
- 基于细胞的神经分化状态预测 (96%) 显著超过了培养时间标准 (86%).
- 微质细胞在混合培养中明显与神经元区分开来,并进一步区分激活状态.
结论:
- 使用细胞绘画和CNN进行形态单细胞分析,可以在复杂的混合神经培养中准确量化细胞组成.
- 这种方法为iPSC衍生细胞培养模型的质量控制提供了可靠的方法.
- 这些发现支持通过改进的验证方法在临床前环境中更广泛地采用iPSC技术.
