深度学习方法用于估计早期差异化人类诱导多能干细胞的细菌层区域在微模式上使用明亮场显微镜图像

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:

• 人类诱导多能干细胞 (hiPSCs) 的活细胞染色是昂贵的,并对临床使用提出了安全问题.
• 在hiPSC中分析分化和生殖层形成通常需要免疫光,这是劳动密集且昂贵的.
• 光场显微镜为观察动态细胞过程提供了更安全,更具成本效益的替代方案.

研究的目的:

• 开发一种深度学习模型,用 hiPSC 的明亮场显微镜图像来估计免疫光区域.
• 为了实现hiPSCs的准确细分和分类成生殖层,而无需传统染色.
• 为评估hiPSC多能性和非侵入性跟踪生殖层分化提供一个工具.

主要方法:

• 在各种光图像上训练了一个深度学习网络,以从明亮场图像中预测光模式.
• 伪Hoechst图像被生成以分割hiPSCs.
• 额外生成的光图像被用于将细分的hiPSC分类为各自的胚胎层.

主要成果:

• 深度学习模型成功地从明亮场图像中估计了免疫光区域.
• 对hiPSC的细分实现了超过75%的准确性.
• 将hiPSC分为生殖层的分类也显示出超过75%的准确性.
• 这种方法在没有细胞染色的情况下划分生殖层形成方面被证明是有效的.

结论:

• 拟议的深度学习方法为分析hiPSC差异化提供了一种可行的,具有成本效益和安全的替代细胞染色方法.
• 这种方法有助于评估hiPSC多能性和研究生殖层发育.
• 该技术有可能在再生医学和发育生物学研究中得到应用.