基于人工智能的方法来剖析小鼠干细胞衍生的胚胎模型的变异性

科学领域:

• 发展生物学 发展生物学
• 人工智能在生物学中的应用
• 干细胞研究 干细胞研究

背景情况:

• 来自干细胞的胚胎模型为胚胎发生提供了新的见解,但由于发育变异性,在标准化方面面临挑战.
• 这些模型的可重复选择对于推进发育生物学研究至关重要.

研究的目的:

• 通过深度学习提高选择干细胞衍生胚胎模型的可再生性.
• 使用人工智能将小鼠植入后干细胞衍生的胚胎状结构 (ETiX胚胎) 分类为正常和异常类别.

主要方法:

• 利用实时成像和基于人工智能的深度学习模型来分析900只老鼠ETIX胚胎.
• 开发模型来分类胚胎状结构在细胞播种后90小时和细胞播种初期阶段.
• 通过改变初始细胞数量进行扰动实验,以评估对发育的影响.

主要成果:

• 性能最好的AI模型在90小时内达到88%的准确性,在初始播种阶段达到65%的准确性,预测发展轨迹.
• 确定了较高的细胞数量,更大的尺寸和更紧的形状是正常发育的ETIX胚胎的关键特征.
• 干扰实验证实,增加初始细胞数量可以改善正常发育结果.

结论:

• 深度学习显著改善了干细胞衍生胚胎模型的选择和标准化.
• 这项研究揭示了控制ETIX胚胎自我组织的关键特征,推动了该领域的一致性.
• 人工智能驱动的分析为使用胚胎模型进行发育生物学研究提供了强大的工具.