早期的多原子签名和机器学习模型预测心肌细胞分化的效率,并使心肌细胞能够强大的hPSC分化

科学领域:

• 干细胞生物学 干细胞生物学
• 心血管研究的心血管研究.
• 生物技术是生物技术.

背景情况:

• 人类多能干细胞衍生心肌细胞 (hPSC-CMs) 对再生医学至关重要.
• 目前的差异化协议显示出制造变异性,阻碍了临床转化.
• 了解早期细胞命运分歧是改善hPSC-CM生产的关键.

研究的目的:

• 确定hPSC-CM生产中差异化效率的早期分子决定因素.
• 开发hPSC-CM纯度的预测模型.
• 优化差异化协议,以实现强大的制造.

主要方法:

• 对高低效率的hPSC-CM分化进行时间多原子分析 (转录组学,蛋白质组学,代谢组学).
• 使用早期候选基因标记物的机器学习模型开发.
• 关键分化阶段的路径分析.
• 通过有针对性的抑制对已识别的途径进行实验验证.

主要成果:

• 在分化批次之间观察到显著的早期多原子分歧.
• 包括Wnt,MAPK和葡萄糖代谢在内的关键途径被确定为命运分歧的关键.
• 使用早期标记器的机器学习模型在预测hPSC-CM纯度方面优于使用正规心脏标记器的模型.
• 抑制Wnt和MAPK通路导致CM纯度和产量提高.

结论:

• 多原子分析与机器学习相结合,提供了一种强大的策略来识别细胞命运决定因素.
• 这种方法可以优化复杂的细胞产品 (如hPSC-CMs) 的制造工艺.
• 这些发现为hPSC衍生细胞疗法的更强大,更可重复的临床转化铺平了道路.