共计 3804 个字符，预计需要花费 10 分钟才能阅读完成。
内容一览 ：20 世纪以来，干细胞与再生医学技术始终是国内生物医学畛域的热点前沿之一。现如今，钻研人员已开始摸索将干细胞转变为特定类型细胞。然而，这一过程中干细胞会呈现不规则成长或自发分化为不同类型细胞的状况，因而，如何管制干细胞的成长和分化成为钻研人员面临的挑战之一。本文中，北京大学赵扬课题组等研究员尝试将机器学习利用于多能干细胞分化过程中，并无效改善了这一状况，同时为再生医学带来了新的方向。
关键词 ：多能干细胞 图像剖析 机器学习
本文首发自 HyperAI 超神经微信公众平台~
多能干细胞 (pluripotent stem cell, PSC) 是一类具备自我更新、自我复制能力的多潜能细胞，其能够体外有限增殖和分化成各种细胞类型， 代替受损细胞，促成受损组织性能复原，为眼部疾病、心血管系统疾病及神经系统疾病等畛域医治带来了新心愿。
然而，目前多能干细胞定向分化过程会呈现细胞系间 (line-to-line) 和批次间 (batch-to-batch) 分化不稳固等问题，从而使制备功能性细胞耗时而费劲，重大妨碍多能干细胞临床利用产品的研发及规模化制作。 因而，实现对多能干细胞分化过程的实时监控显得尤为重要。
近日，北京大学赵扬课题组、张钰课题组联结北京交通大学刘一研课题组研发了一个基于活细胞明场动静图像和机器学习的分化零碎，可能实时智能调节和优化多能干细胞分化过程，实现对功能性细胞的高效、稳定性生产。 目前，该研究成果已发表在《Cell Discovery》期刊上，题目为《A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems》。
该研究成果已发表在《Cell Discovery》期刊上
论文地址：
https://www.nature.com/articles/s41421-023-00543-1
试验概述
目前，显微技术能够对细胞进行图像采集，机器学习办法能够对细胞图像进行剖析。 因而，本钻研利用机器学习算法对明场图像中的细胞进行辨认和分类，以确定它们的谱系或细胞成分，帮忙钻研人员更好地了解细胞 构造 和性能。
教训证，本研究成果可无效优化并且改良多能干细胞向心肌细胞 (cardiomyocyte, CM) 以及肝、肾嵌体细胞分化过程， 整套钻研办法及流程如下：
图 1：机器学习优化 PSC-to-CM
a：上半局部图显示，PSC 每个分化过程都存在变异性，下半局部图显示，机器学习利用于上述分化过程中，无效缩小了变异性。
b：应用小分子调节剂调控 canonical Wnt 信号通路的 PSC-to-CM 分化过程，绿色箭头示意第一阶段调节 CHIR 的持续时间和浓度，黑白圆点示意机器学习的检查点。
c：10 天工夫内，提早明场图像和 cTnT 荧光后果。
d：整个过程中，分化胜利和失败的细胞地位及状态。
e：胜利分化细胞第 5 天到 12 天，纹理及状态变动。
f：分化效率的线对线变异性。
g：不同批次细胞分化变异性。
h：不同 CHIR 剂量，分化图像部分特色变动。
试验过程
试验数据集
钻研人员以 PSC-to-CM 分化为次要示例，通过蔡司 Cell Discover 7 活细胞全自动成像平台，实时采集分化过程中的明场图像，追踪整个过程，如上图 1b 所示。分化完结时，通过 cTnT（一种心肌细胞的特异标志物）荧光标记识别胜利分化的 CM。 这个过程中，为了减少图像多样性，钻研人员引入了几个变量（不同 PSC、初始细胞密度、分化培养基、不同 CHIR 剂量），最终收集了超 720 万张图像。
试验成绩
联合活细胞成像技术和机器学习， 本试验取得以下 4 点成绩：
- 机器学习能精确辨认分化细胞状态并预估分化效率。
钻研人员发现在分化过程的第 6 天，最终可能胜利分化成 CM 的细胞，即 CPC（心脏祖细胞）开始出现纺锤型，** 因而，他们采纳弱监督模型辨认了明场图像中的此类细胞，并将其命名为「图像识别心肌祖细胞（Image-Recognized CPC, IR-CPC)。** 如下图 2 所示，钻研人员得出 IR-CPC 占总细胞比例与实在分化效率相关性达 88%。
图 2：IR-CPC 比例与实在分化效率相关性
同时，钻研人员采纳 pix2pix 深度学习模型对 CM 诱导阶段（即分化第一阶段）的明场图像进行预测， 如下图所示，预测分化效率与实在分化效率相关性达 93%。
图 3：预测与实在分化效率相关性
以上试验表明，机器学习可能辨认分化不同阶段的细胞状态，并能对分化后果进行实时预测。
- 机器学习能实时预测分化工夫和诱导因子浓度。
分化过程中，钻研人员发现在中胚层阶段 (0-3 天)，诱导物 CHIR99021 (CHIR) 的剂量（浓度与解决工夫）对分化效率影响较大。 他们基于分化初期 (0-12h) 明场图像中与 CHIR 无关特色构建了一个逻辑 回归 模型，用来预测孔中 CHIR 浓度（偏低、适中、偏高）， 如下图所示，在选定 CHIR 解决工夫为 24h 时，模型对每个孔（一种有多个小孔的实验室用品）浓度判断准确率达 93.1%。
图 4：模型对孔内 CHIR 浓度预测
同时，钻研人员将不同 CHIR 解决工夫 (24h、36h 或 48h) 下模型的预测后果（即偏差分数）进行比拟，能够失去最优 CHIR 解决工夫。如下图 5 所示， 最优 CHIR 解决工夫约为 12 小时（偏差分数最小）。此外，如图 6 所示，依据模型预测后果，还能够调整 CHIR 浓度，进步分化效率。
图 5：模型预测最优 CHIR 解决工夫
图 6：调整、未调整 CHIR 浓度的分化后果
以上试验表明，机器学习能实现对诱导剂剂量的干涉。
- 机器学习能实时判断 PSC 起始分化的最佳状态。
钻研人员发现即便在 CHIR 浓度适量的状况下，也会呈现分化失败的细胞，他们提出这是由空间异质性 (spatially variable differentiation) 造成的， 即分化第 0 天处于 PSC 集落边缘的细胞易胜利，而位于 PSC 集落核心的细胞易失败。
对此，钻研人员建设了基于随机森林的机器学习模型，用来辨认分化成功率高的起始细胞图像特色，模型结果表明，细胞面积中等、边缘越长且越坑洼的细胞容易分化胜利，这与理论察看统一。 基于这个模型，钻研人员发现通过辨认起始 PSC 状态预测与实在分化效率的相关性达 76%，后果如下图 7 所示。
据此，钻研人员还通过人工干预、扭转细胞的起始状态， 无效将分化效率从 21.6% ± 2.7% 晋升至 88.8% ± 10.5%。
图 7：辨认细胞起始状态与预测分化效率相关性
以上结果表明，机器学习能对对 PSC 起始状态进行质控。
- 机器学习能帮忙筛选小分子化合物，进步分化稳定性。
钻研人员发现 CHIR 浓度是影响分化的重要因素之一，因而他们尝试发展小分子筛选，用新的化合物对消不失当的 CHIR 浓度。如下图所示， 钻研人员基于分化过程第 6 天的明场活细胞图像和已建设的弱监督模型，构建了小分子筛选平台，最终在 3,000 多个小分子中胜利筛选出了 BI-1347 这一化合物。
图 8：机器学习筛选小分子化合物过程
以上试验表明，基于机器学习模型，钻研人员能够建设一个小分子筛选平台，从而缩短筛选试验周期，升高筛选老本， 并且通过这一技术筛选的小分子又拓宽了 CHIR 剂量范畴，从而整体进步了 PSC 分化过程稳定性。
最初，为扩大利用场景，研究者将本研究成果利用在肾祖细胞和肝细胞分化晚期阶段，同样获得了精确预测成果，可知， 该研究成果能为多能干细胞分化过程提供实时领导。
细胞医治：或成生物医药新赛道
细胞医治是一种新兴的疗法，对泛滥疾病（癌症、遗传疾病）都展现出良好的医治成果。其次要医治形式分为免疫细胞医治和干细胞医治， 其中，干细胞凭借其多向分化、免疫调节以及分泌细胞因子等性能，成为该畛域的外围钻研方向之一。
目前看来，我国细胞医治畛域倒退较短，但将来前景却非常广大 。一方面，从数据上来看，将来十年或将成为该畛域疾速增长期。据相干数据预计，我国细胞医治市场规模将由 2021 年的 13 亿元，增长至 2030 年的 584 亿元，年均增速高达 53%。另有数据显示，我国细胞和基因治疗市场无望在 2025 年达到 25.9 亿美元，以 276% 的复合增长率增长。
另一方面，各地政府也一直出台搀扶、激励该畛域的相干政策。 比方北京、上海、天津、深圳等地都在大力发展细胞医治产业。上海推出《上海市促成细胞医治科技翻新与产业倒退口头计划（2022—2024 年）》，提出力争到 2024 年上海细胞医治产业规模达到 100 亿元。去年，深圳接连公布搀扶生物医药产业倒退的文件，将重点反对包含细胞医治药物在内的产业集群高质量倒退。
* 数据集及代码地址：
https://GitHub.com/zhaoyanglab/ML-for-psc-differentiation*
参考链接：
[1]https://www.thepaper.cn/newsDetail_forward_23417694
[2]http://www.cls.edu.cn/Research/Research_Achievements6067.shtml
[3]https://stcsm.sh.gov.cn/zwgk/ghjh/20221104/f7b02ab5db40439e8d…
[4]http://legacy.frostchina.com/wp-content/uploads/2021/11/20211…
—— 完 ——
本文首发自 HyperAI 超神经微信公众平台 \~
