Name: 一种基于活细胞图像的机器学习策略，用于监测多能干细胞分化 (视频) | JoVE Journal
Uploaded: 2024-10-04T13:30:00.000+00:00
Duration: 11 min 38 s
Description: 了解基于活细胞明场图像的机器学习策略，用于非侵入性识别细胞谱系并实时调控多能干细胞分化过程。该方法可优化分化方案，提高功能性细胞产出的稳定性与效率。

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

我们感谢孙启石、Yao Wang、夏宇、杨金玉、林畅、岑子默、梁东东、魏蓉、徐泽、席广银、薛刚、叶灿、王立鹏、邹鹏、王世强、Pablo Rivera-Fuentes、Salome Püntener、陈志星、刘毅和张珏为本策略奠定的基础工作。本研究得到国家重大研发计划&amp;中国国家重点研发计划（2018YFA0800504，2019YFA0110000）和中国载人航天工程空间医学实验项目（HYZHXM01020）资助，项目负责人：Yang Zhao。 图1 使用 BioRender.com 制作。

Monitoring Pluripotent Stem Cell Differentiation by Image-Based ML Strategy

<ol><li>Yoshida, Y., Yamanaka, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induced+pluripotent+stem+cells+10+years+later%3A+for+cardiac+applications%5BTitle%5D)+AND+%22Circ+Res%22%5BJournal%5D)">Induced pluripotent stem cells 10 years later: for cardiac applications.</a> Circ Res. 120 (12), 1958-1968 (2017).</li>
<li>Shi, Y., Inoue, H., Wu, J. C., Yamanaka, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induced+pluripotent+stem+cell+technology%3A+a+decade+of+progress%5BTitle%5D)+AND+%22Nat+Rev+Drug+Discov%22%5BJournal%5D)">Induced pluripotent stem cell technology: a decade of progress.</a> Nat Rev Drug Discov. 16 (2), 115-130 (2017).</li>
<li>Takahashi, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Induction+of+pluripotent+stem+cells+from+adult+human+fibroblasts+by+defined+factors%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Induction of pluripotent stem cells from adult human fibroblasts by defined factors.</a> Cell. 131 (5), 861-872 (2007).</li>
<li>Burridge, P. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chemically+defined+generation+of+human+cardiomyocytes%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Chemically defined generation of human cardiomyocytes.</a> Nat Methods. 11 (8), 855-860 (2014).</li>
<li>Mordwinkin, N. M., Burridge, P. W., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+human+pluripotent+stem+cell-derived+cardiomyocytes+for+high-throughput+drug+discovery%2C+cardiotoxicity+screening%2C+and+publication+standards%5BTitle%5D)+AND+%22J+Cardiovasc+Transl+Res%22%5BJournal%5D)">A review of human pluripotent stem cell-derived cardiomyocytes for high-throughput drug discovery, cardiotoxicity screening, and publication standards.</a> J Cardiovasc Transl Res. 6 (1), 22-30 (2013).</li>
<li>Vanden Berg, C. W., Elliott, D. A., Braam, S. R., Mummery, C. L., Davis, R. P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Differentiation+of+human+pluripotent+stem+cells+to+cardiomyocytes+under+defined+conditions%5BTitle%5D)+AND+%22Methods+Mol+Biol%22%5BJournal%5D)">Differentiation of human pluripotent stem cells to cardiomyocytes under defined conditions.</a> Methods Mol Biol. 1353, 163-180 (2016).</li>
<li>Burridge, P. W., Holmström, A., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Chemically+defined+culture+and+cardiomyocyte+differentiation+of+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Curr+Protoc+Hum+Genet%22%5BJournal%5D)">Chemically defined culture and cardiomyocyte differentiation of human pluripotent stem cells.</a> Curr Protoc Hum Genet. 87, 1-15 (2015).</li>
<li>Li, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+pluripotent+stem+cell-derived+cardiac+tissue-like+constructs+for+repairing+the+infarcted+myocardium%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Human pluripotent stem cell-derived cardiac tissue-like constructs for repairing the infarcted myocardium.</a> Stem Cell Rep. 9 (5), 1546-1559 (2017).</li>
<li>Smith, A. S. T., Macadangdang, J., Leung, W., Laflamme, M. A., Kim, D. -H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Human+iPSC-derived+cardiomyocytes+and+tissue+engineering+strategies+for+disease+modeling+and+drug+screening%5BTitle%5D)+AND+%22Biotechnol+Adv%22%5BJournal%5D)">Human iPSC-derived cardiomyocytes and tissue engineering strategies for disease modeling and drug screening.</a> Biotechnol Adv. 35 (1), 77-94 (2017).</li>
<li>Sharma, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Use+of+human+induced+pluripotent+stem+cell-derived+cardiomyocytes+to+assess+drug+cardiotoxicity%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Use of human induced pluripotent stem cell-derived cardiomyocytes to assess drug cardiotoxicity.</a> Nat Protoc. 13 (12), 3018-3041 (2018).</li>
<li>Mehta, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Identification+of+a+targeted+and+testable+antiarrhythmic+therapy+for+long-QT+syndrome+type+2+using+a+patient-specific+cellular+model%5BTitle%5D)+AND+%22Eur+Heart+J%22%5BJournal%5D)">Identification of a targeted and testable antiarrhythmic therapy for long-QT syndrome type 2 using a patient-specific cellular model.</a> Eur Heart J. 39 (16), 1446-1455 (2018).</li>
<li>Cahan, P., Daley, G. Q. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Origins+and+implications+of+pluripotent+stem+cell+variability+and+heterogeneity%5BTitle%5D)+AND+%22Nat+Rev+Mol+Cell+Biol%22%5BJournal%5D)">Origins and implications of pluripotent stem cell variability and heterogeneity.</a> Nat Rev Mol Cell Biol. 14 (6), 357-368 (2013).</li>
<li>Kim, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Epigenetic+memory+in+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nature%22%5BJournal%5D)">Epigenetic memory in induced pluripotent stem cells.</a> Nature. 467 (7313), 285-290 (2010).</li>
<li>Rouhani, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Genetic+background+drives+transcriptional+variation+in+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22PLoS+Genet%22%5BJournal%5D)">Genetic background drives transcriptional variation in human induced pluripotent stem cells.</a> PLoS Genet. 10 (6), e1004432(2014).</li>
<li>Kim, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Donor+cell+type+can+influence+the+epigenome+and+differentiation+potential+of+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Donor cell type can influence the epigenome and differentiation potential of human induced pluripotent stem cells.</a> Nat Biotechnol. 29 (12), 1117-1119 (2011).</li>
<li>Garitaonandia, I., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Increased+risk+of+genetic+and+epigenetic+instability+in+human+embryonic+stem+cells+associated+with+specific+culture+conditions%5BTitle%5D)+AND+%22PLoS+One%22%5BJournal%5D)">Increased risk of genetic and epigenetic instability in human embryonic stem cells associated with specific culture conditions.</a> PLoS One. 10 (2), e0118307(2015).</li>
<li>Engler, A. J., Sen, S., Sweeney, H. L., Discher, D. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Matrix+elasticity+directs+stem+cell+lineage+specification%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">Matrix elasticity directs stem cell lineage specification.</a> Cell. 126 (4), 677-689 (2006).</li>
<li>Matoba, N., Yamashita, T., Takayama, K., Sakurai, F., Mizuguchi, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Optimal+human+iPS+cell+culture+method+for+efficient+hepatic+differentiation%5BTitle%5D)+AND+%22Differentiation%22%5BJournal%5D)">Optimal human iPS cell culture method for efficient hepatic differentiation.</a> Differentiation. 104, 13-21 (2018).</li>
<li>Volpato, V., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Reproducibility+of+molecular+phenotypes+after+long-term+differentiation+to+human+iPSC-derived+neurons%3A+A+multi-site+omics+study%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Reproducibility of molecular phenotypes after long-term differentiation to human iPSC-derived neurons: A multi-site omics study.</a> Stem Cell Rep. 11 (4), 897-911 (2018).</li>
<li>Anderson, N. C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Balancing+serendipity+and+reproducibility%3A+Pluripotent+stem+cells+as+experimental+systems+for+intellectual+and+developmental+disorders%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Balancing serendipity and reproducibility: Pluripotent stem cells as experimental systems for intellectual and developmental disorders.</a> Stem Cell Rep. 16 (6), 1446-1457 (2021).</li>
<li>Sepac, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Comparison+of+cardiomyogenic+potential+among+human+ESC+and+iPSC+lines%5BTitle%5D)+AND+%22Cell+Transplant%22%5BJournal%5D)">Comparison of cardiomyogenic potential among human ESC and iPSC lines.</a> Cell Transplant. 21 (11), 2523-2530 (2012).</li>
<li>Laco, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Unraveling+the+inconsistencies+of+cardiac+differentiation+efficiency+induced+by+the+GSK3%CE%B2+inhibitor+CHIR99021+in+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Unraveling the inconsistencies of cardiac differentiation efficiency induced by the GSK3β inhibitor CHIR99021 in human pluripotent stem cells.</a> Stem Cell Rep. 10 (6), 1851-1866 (2018).</li>
<li>Volpato, V., Webber, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Addressing+variability+in+iPSC-derived+models+of+human+disease%3A+guidelines+to+promote+reproducibility%5BTitle%5D)+AND+%22Dis+Model+Mech%22%5BJournal%5D)">Addressing variability in iPSC-derived models of human disease: guidelines to promote reproducibility.</a> Dis Model Mech. 13 (1), 042317(2020).</li>
<li>Hu, B. -Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Neural+differentiation+of+human+induced+pluripotent+stem+cells+follows+developmental+principles+but+with+variable+potency%5BTitle%5D)+AND+%22Proc+Natl+Acad+Sci+USA%22%5BJournal%5D)">Neural differentiation of human induced pluripotent stem cells follows developmental principles but with variable potency.</a> Proc Natl Acad Sci USA. 107 (9), 4335-4340 (2010).</li>
<li>Huo, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evaluation+of+batch+variations+in+induced+pluripotent+stem+cell-derived+human+cardiomyocytes+from+2+major+suppliers%5BTitle%5D)+AND+%22Toxicol+Sci%22%5BJournal%5D)">Evaluation of batch variations in induced pluripotent stem cell-derived human cardiomyocytes from 2 major suppliers.</a> Toxicol Sci. 156 (1), 25-38 (2017).</li>
<li>Rostam, H. M., Reynolds, P. M., Alexander, M. R., Gadegaard, N., Ghaemmaghami, A. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+based+machine+learning+for+identification+of+macrophage+subsets%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">Image based machine learning for identification of macrophage subsets.</a> Sci Rep. 7 (1), 3521(2017).</li>
<li>Christiansen, E. M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((In+silico+labeling%3A+Predicting+fluorescent+labels+in+unlabeled+images%5BTitle%5D)+AND+%22Cell%22%5BJournal%5D)">In silico labeling: Predicting fluorescent labels in unlabeled images.</a> Cell. 173 (3), 792-803 (2018).</li>
<li>Buggenthin, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prospective+identification+of+hematopoietic+lineage+choice+by+deep+learning%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Prospective identification of hematopoietic lineage choice by deep learning.</a> Nat Methods. 14 (4), 403-406 (2017).</li>
<li>Smith, Z. D., Nachman, I., Regev, A., Meissner, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dynamic+single-cell+imaging+of+direct+reprogramming+reveals+an+early+specifying+event%5BTitle%5D)+AND+%22Nat+Biotechnol%22%5BJournal%5D)">Dynamic single-cell imaging of direct reprogramming reveals an early specifying event.</a> Nat Biotechnol. 28 (5), 521-526 (2010).</li>
<li>Fan, K., Zhang, S., Zhang, Y., Lu, J., Holcombe, M., Zhang, X. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+machine+learning+assisted%2C+label-free%2C+non-invasive+approach+for+somatic+reprogramming+in+induced+pluripotent+stem+cell+colony+formation+detection+and+prediction%5BTitle%5D)+AND+%22Sci+Rep%22%5BJournal%5D)">A machine learning assisted, label-free, non-invasive approach for somatic reprogramming in induced pluripotent stem cell colony formation detection and prediction.</a> Sci Rep. 7 (1), 13496(2017).</li>
<li>Kusumoto, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Automated+deep+learning-based+system+to+identify+endothelial+cells+derived+from+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Stem+Cell+Rep%22%5BJournal%5D)">Automated deep learning-based system to identify endothelial cells derived from induced pluripotent stem cells.</a> Stem Cell Rep. 10 (6), 1687-1695 (2018).</li>
<li>Zhu, Y., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Deep+learning-based+predictive+identification+of+neural+stem+cell+differentiation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Deep learning-based predictive identification of neural stem cell differentiation.</a> Nat Commun. 12 (1), 2614(2021).</li>
<li>Qian, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Label-free+imaging+for+quality+control+of+cardiomyocyte+differentiation%5BTitle%5D)+AND+%22Nat+Commun%22%5BJournal%5D)">Label-free imaging for quality control of cardiomyocyte differentiation.</a> Nat Commun. 12 (1), 4580(2021).</li>
<li>Ounkomol, C., Seshamani, S., Maleckar, M. M., Collman, F., Johnson, G. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Label-free+prediction+of+three-dimensional+fluorescence+images+from+transmitted-light+microscopy%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Label-free prediction of three-dimensional fluorescence images from transmitted-light microscopy.</a> Nat Methods. 15 (11), 917-920 (2018).</li>
<li>Yang, X., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+live-cell+image-based+machine+learning+strategy+for+reducing+variability+in+PSC+differentiation+systems%5BTitle%5D)+AND+%22Cell+Discovery%22%5BJournal%5D)">A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems.</a> Cell Discovery. 9 (1), 53(2023).</li>
<li>Selvaraju, R. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Grad-CAM%3A+Visual+explanations+from+deep+networks+via+gradient-based+localization%5BTitle%5D)+AND+%22Proc+IEEE+Int+Conf+Computer+Vision+%28ICCV%29%22%5BJournal%5D)">Grad-CAM: Visual explanations from deep networks via gradient-based localization.</a> Proc IEEE Int Conf Computer Vision (ICCV). , 618-626 (2017).</li>
<li>Isola, P., Zhu, J. -Y., Zhou, T., Efros, A. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image-to-image+translation+with+conditional+adversarial+networks%5BTitle%5D)+AND+%22Proc+IEEE+Conf+Computer+Vision+Pattern+Recognition+%28CVPR%29%22%5BJournal%5D)">Image-to-image translation with conditional adversarial networks.</a> Proc IEEE Conf Computer Vision Pattern Recognition (CVPR). , 5967-5976 (2017).</li>
<li>Zhang, H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((ResNeSt%3A+Split-attention+networks%5BTitle%5D)+AND+%22Proc+IEEE%2FCVF+Conf+Computer+Vision+Pattern+Recognition+Workshops+%28CVPRW%29%22%5BJournal%5D)">ResNeSt: Split-attention networks.</a> Proc IEEE/CVF Conf Computer Vision Pattern Recognition Workshops (CVPRW). , 2735-2745 (2022).</li>
<li>Halabi, E. A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Dual-activatable+cell+tracker+for+controlled+and+prolonged+single-cell+labeling%29%5BTitle%5D)+AND+%22ACS+Chem.+Biol%22%5BJournal%5D)">Dual-activatable cell tracker for controlled and prolonged single-cell labeling).</a> ACS Chem. Biol. 15 (6), 1613-1620 (2020).</li>
<li>Hannan, N. R. F., Segeritz, C. -P., Touboul, T., Vallier, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Production+of+hepatocyte-like+cells+from+human+pluripotent+stem+cells%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Production of hepatocyte-like cells from human pluripotent stem cells.</a> Nat Protoc. 8 (2), 430-437 (2013).</li>
<li>Zhang, H., Shen, M., Wu, J. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generation+of+quiescent+cardiac+fibroblasts+derived+from+human+induced+pluripotent+stem+cells%5BTitle%5D)+AND+%22Methods+Mol+Biol%22%5BJournal%5D)">Generation of quiescent cardiac fibroblasts derived from human induced pluripotent stem cells.</a> Methods Mol Biol. 2454, 109-115 (2022).</li>
<li>Harding, M. J., McGraw, H. F., Nechiporuk, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+roles+and+regulation+of+multicellular+rosette+structures+during+morphogenesis%5BTitle%5D)+AND+%22Development%22%5BJournal%5D)">The roles and regulation of multicellular rosette structures during morphogenesis.</a> Development. 141 (13), 2549-2558 (2014).</li>
<li>Najm, F. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Rapid+and+robust+generation+of+functional+oligodendrocyte+progenitor+cells+from+epiblast+stem+cells%5BTitle%5D)+AND+%22Nat+Methods%22%5BJournal%5D)">Rapid and robust generation of functional oligodendrocyte progenitor cells from epiblast stem cells.</a> Nat Methods. 8 (11), 957-962 (2011).</li>
<li>Hogrebe, N. J., Maxwell, K. G., Augsornworawat, P., Millman, J. R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Generation+of+insulin-producing+pancreatic+%CE%B2+cells+from+multiple+human+stem+cell+lines%5BTitle%5D)+AND+%22Nat+Protoc%22%5BJournal%5D)">Generation of insulin-producing pancreatic β cells from multiple human stem cell lines.</a> Nat Protoc. 16 (9), 4109-4143 (2021).</li>
</ol>

赵阳、张珏、杨晓春、王瑶和陈代超正在为本文报道的PSC分化策略申请专利（202210525166.X）。

在此，我们描述了一种详细的实验方案，旨在克服当前多能干细胞（PSC）应用与转化中的主要问题之一——细胞分化过程中的变异性。通过结合活细胞明场成像与机器学习（ML）技术，我们逐步优化了PSC的分化流程，实现了在不同细胞系和批次间稳定高效的分化效果。然而，在上述分化过程中，该方案中的若干关键步骤对分化成败具有决定性影响。由于PSC阶段及第一阶段的细胞状态至关重要，实验人员需特别关注早期细胞形态、第0天的细胞汇合度以及CHIR处理条件。此外，在0–48小时期间调整CHIR剂量时，实验人员应尽量保留原始培养基，并保持细胞培养液体积不变。同时，在成像与纯化过程中需考虑光毒性问题。选择明场成像而非荧光成像可减少细胞损伤；基于此，我们采用紫外光（UV）激活非目标细胞而非目标细胞进行光清除。此外，我们上述基于图像信息的纯化步骤较为繁琐，需经历多次图像预测、区域光激活、流过式清除及传代等操作，因而难以实现大量细胞的高效纯化原位 如果可使用其他区域选择性细胞杀伤装置，则可考虑采用纯化步骤，从而无需细胞传代操作。
然而，在应用机器学习调控分化过程时，也需考虑若干问题。数据集的质量以及模型和超参数的选择对机器学习的性能具有重要影响。我们所采用的具体实现方法并不能保证在所有分化系统和细胞类型中均为最优；因此，经验丰富的机器学习工程师应根据自身需求定制实现方案。在训练和测试机器学习模型时，若测试性能远低于训练性能，则模型可能存在过拟合现象；此时可尝试扩充训练数据集并重新训练模型。若模型即使在训练集上也无法表现良好，则需检查数据集，并确保目标细胞的特征能够被清晰识别，调整超参数也可能有所帮助。此外，在实际场景中应用机器学习模型时，应确保显微镜和成像参数与模型训练期间保持一致，否则训练所得模型的性能将下降。如果成像条件的改变不可避免，则应从新条件下获取带标签的数据，并重新训练或微调机器学习模型。最后，若在机器学习辅助后细胞分化仍不成功，则需考虑诸如PSC细胞系固有的分化倾向或实验试剂批次差异等因素，这些问题可能更为根本，无法通过本策略解决。本文提供了故障排查指南，以帮助识别和解决潜在问题（表1）。
该方法有望应用于其他细胞研究领域。在多能干细胞（PSC）分化过程中普遍存在变异性，例如PSC分化的神经元、肝细胞、胰岛细胞和肠细胞40,41,42,43,44，严重阻碍了细胞的大规模生产。然而，细胞在命运转变过程中通常表现出丰富且多样的形态学特征，这些特征为利用基于图像的机器学习（ML）调控分化过程提供了线索。我们此前已证明该策略在肾祖细胞和肝细胞分化系统中的应用价值35。该方法有望被用于标准化其他细胞命运诱导系统，例如类器官分化、直接转分化或细胞重编程，特别是那些需要多步骤和复杂诱导因子的不稳定系统。

多能干细胞（PSCs）具有在体外分化为多种细胞类型的显著能力。这些分化的功能性细胞可用于细胞治疗、疾病建模和药物开发，在科研或临床应用中均具有重要价值1,2,3。例如，已有多种方法被开发用于将PSCs分化为心肌细胞（CMs）4,5,6,7。这些CMs可用于药物心脏毒性检测、心脏病建模以及细胞移植治疗8,9,10,11。
然而，从多能干细胞（PSC）向终末分化细胞的转化是一个逐步的过程，分化过程中多个干扰因素可能导致细胞走向不同的命运。不同PSC系的遗传背景和表观遗传标记会影响其向特定谱系分化的潜能12,13,14,15；PSC传代次数以及累积的基因突变也是导致PSC异质性的来源；不同实验人员所采用实验操作的差异也可能导致完全不同的分化结果16,17,18,19,20。因此，目前PSC来源细胞生产中的主要问题之一是细胞系之间及批次之间的不稳定性21,22,23,24,25。PSC分化过程的不稳定性常常导致多次重复实验，耗费大量时间和人力。为解决这一问题，关键在于建立一种策略，以最大限度减少细胞系和批次间的变异性，从而提高分化的稳定性和可重复性。
近年来，高分辨率显微镜和机器学习（ML）技术的进步推动了基于机器学习的定量图像分析在细胞生物学中的应用，使得研究人员能够充分利用细胞成像特征中的宝贵信息26,27,28,29,30,31,32,33,34。在我们之前的研究中，我们提出了一种基于活细胞图像的机器学习策略，用于实时监测并干预多能干细胞（PSC）的分化状态，从而提高PSC分化的稳定性和效率（图1）35。以PSC向心肌细胞分化为例，我们使用随机森林模型评估PSC的初始状态，利用逻辑回归模型预测最优分化条件，并通过基于深度学习的Grad-CAM36和pix2pix37识别成功分化的细胞。机器学习模型通过学习多种明场图像中的形态学特征来识别细胞谱系，这些特征包括面积、周长、凸度、实度、亮度、运动速度，以及由深度卷积神经网络提取的其他隐含特征。基于这些已建立的机器学习模型的推断，我们实现了对PSC初始状态的调控、对分化条件的早期评估与干预，并清除了错误分化的细胞污染，从而对心肌分化过程实现了全面而精确的调控。本文提供了开发该策略的逐步操作方案。

<table><tbody><tr><td>0.25% 胰蛋白酶-EDTA</td><td>Gibco</td><td>25200056</td><td>稀释后的消化液用于CPC和CM消化</td></tr><tr><td>PBS中的4% 多聚甲醛</td><td>KeyGEN BioTECH</td><td>KGIHC016</td><td></td></tr><tr><td>6孔细胞培养板</td><td>NEST</td><td>703001</td><td></td></tr><tr><td>96孔细胞培养板</td><td>NEST</td><td>701001</td><td></td></tr><tr><td>B27添加剂</td><td>Gibco</td><td>17504044</td><td></td></tr><tr><td>不含胰岛素的B27添加剂</td><td>Gibco</td><td>A1895601</td><td></td></tr><tr><td>牛血清白蛋白（BSA）</td><td>GPC BIOTECH</td><td>AA904-100G</td><td></td></tr><tr><td>Celldiscoverer 7</td><td>Zeiss</td><td></td><td>用于在整个分化过程中以及最终cTnT成像时拍摄明场图像的仪器</td></tr><tr><td>CHIR99021</td><td>Selleck</td><td>S1263</td><td></td></tr><tr><td>DMEM/F12</td><td>Gibco</td><td>12634010</td><td></td></tr><tr><td>驴抗小鼠IgG（H+L）高度交叉吸附二抗，Alexa Fluor 488标记</td><td>Thermo</td><td>A-21202</td><td>二抗</td></tr><tr><td>FACSAria III</td><td>BD Biosciences</td><td></td><td>流式细胞分选仪</td></tr><tr><td>胎牛血清（FBS）</td><td>VISTECH</td><td>SE100-B</td><td></td></tr><tr><td>Hoechst 33342</td><td>YEASEN</td><td>40732ES03</td><td></td></tr><tr><td>人多能干细胞化学成分明确培养基</td><td>Cauliscell Inc</td><td>400105</td><td>PSC制备培养基的基础培养基</td></tr><tr><td>iPS-18</td><td>TaKaRa</td><td>Y00300</td><td></td></tr><tr><td>iPS-B1</td><td>Cellapy</td><td>CA4025106</td><td></td></tr><tr><td>iPS-F</td><td>Nuwacell</td><td>RC01001-B</td><td></td></tr><tr><td>iPS-M</td><td>Nuwacell</td><td>RC01001-A</td><td></td></tr><tr><td>IWR1-1-endo</td><td>Selleck</td><td>S7086</td><td>IWR1</td></tr><tr><td>Jupyter Notebook</td><td>N/A</td><td>版本 6.4.0</td><td>&lt;a href=&quot;https://jupyter.org/">https://jupyter.org/&lt;/a&gt;</td></tr><tr><td>MATLAB</td><td>MathWorks</td><td>版本 R2020a</td><td>用于科学计算和图像标注的软件</td></tr><tr><td>Matrigel基质</td><td>Corning</td><td>354230</td><td>Matrigel</td></tr><tr><td>小鼠单克隆IgG1抗cTnT抗体</td><td>Thermo</td><td>MA5-12960</td><td>cTnT一抗</td></tr><tr><td>正常驴血清</td><td>Jackson</td><td>017-000-121</td><td></td></tr><tr><td>ORCA-Flash 4.0 V3 数字CMOS相机</td><td>Hamamatsu</td><td>C13440-20CU</td><td>装配在Celldiscoverer7上的数字相机</td></tr><tr><td>PBS</td><td>NEB</td><td>21-040-CVR</td><td></td></tr><tr><td>青霉素-链霉素</td><td>Gibco</td><td>15140-122</td><td></td></tr><tr><td>Pluripotency Growth Mater 1 基础培养基</td><td>Cellapy</td><td>CA1007500-1</td><td>PSC培养基的基础培养基</td></tr><tr><td>Pluripotency Growth Mater 1 添加剂</td><td>Cellapy</td><td>CA1007500-2</td><td>PSC培养基的添加剂</td></tr><tr><td>Prism</td><td>Graphpad</td><td>版本 8/9</td><td>用于统计分析和绘图的统计软件</td></tr><tr><td>Python</td><td>N/A</td><td>版本 3.6</td><td>用于科学计算的Python 3环境，包含pytorch（1.9.0）、numpy、scipy、pandas、visdom、scikit-learn、scikit-image、opencv-python和matplotlib等软件包，用于科学计算和图像标注。</td></tr><tr><td>RPMI 1640</td><td>Gibco</td><td>11875176</td><td></td></tr><tr><td>补充剂 hPSC-CDM（500倍浓缩）</td><td>Cauliscell Inc</td><td>00015</td><td>PSC制备培养基的补充剂</td></tr><tr><td>TiE</td><td>Nikon</td><td></td><td>一台经改装的倒置荧光显微镜，用于区域选择性纯化</td></tr><tr><td>Triton&amp;nbsp;X-100</td><td>Amresco</td><td>9002-93-1</td><td></td></tr><tr><td>Versene溶液</td><td>Thermo</td><td>15040066</td><td>用于PSC消化的EDTA溶液</td></tr><tr><td>Y27632</td><td>Selleck</td><td>S6390</td><td></td></tr><tr><td>Zen</td><td>Zeiss</td><td>版本 3.1</td><td>Celldiscoverer7的配套软件，用于&amp;nbsp;图像采集、处理与分析</td></tr></tbody></table>

一种基于活细胞成像的机器学习策略用于监测多能干细胞分化

A Live-cell Image-Based Machine Learning Strategy to Monitor Pluripotent Stem Cell Differentiation

多能干细胞（PSC）技术已广泛应用于药物发现、疾病建模和再生医学领域。&#160;然而，现有的PSC向功能细胞分化的体系受到严重的细胞系间和批次间变异性的限制。因此，实时精确控制细胞分化过程至关重要。在本方案中，我们描述了一种非侵入性且智能化的策略，通过基于明场图像的机器学习克服细胞分化中的变异性问题。以PSC向心肌细胞分化为例，该方法提供了控制初始PSC状态、早期评估与干预分化条件以及清除误分化细胞污染的详细信息，从而实现PSC向功能细胞稳定且高质量的分化。原则上，该策略可拓展至其他多步骤的细胞分化或重编程体系，以支持细胞制造，并进一步加深我们对细胞命运转变机制的理解。

基于明场成像与机器学习（ML），可对整体分化过程进行智能监测与优化。在多能干细胞（PSC）阶段，我们开发了一种机器学习模型，能够根据初始PSC集落的形态学特征预测最终的分化效率，从而确定启动分化的最合适时机（图4A，B）。随机森林模型所预测的分化效率与实际分化效率高度相关（Pearson相关系数 r = 0.76，P &lt; 0.0001）（图4B）。训练后的模型还揭示了对分化过程最为关键的特征。在所有集落形态学特征中，中心-轮廓距离（CCD）的标准差、最小值及最小/最大比值，以及周长、面积、面积/周长比、凸性（convexity）和圆形度（circularity），是重要性权重最高的8项特征。这些特征与最终效率之间的关系表明，具有适中面积且边缘较长、不规则的初始PSC集落往往具有更高的分化效率（图4A），这启发我们通过延长消化液处理时间，获得更小且边界更长、更不规则的集落，以提高分化效率（参见实验方案步骤1.3.1）。基于机器学习的PSC集落监测与优化的细胞传代操作，实现了对初始细胞状态的优化。
在心脏分化第一阶段，我们利用机器学习评估并调整了CHIR（早期心脏分化的诱导剂）的剂量。通过逻辑回归方法，可在0-12小时的延时相差图像基础上早期评估CHIR剂量。当CHIR处理时长设定为24小时时，逻辑回归分类器的准确率达到93.1%，精确度为88.7%，召回率为94.5%，F1得分为91.1%，AUC为97.2%。在不同CHIR剂量条件下，实验中的“偏差评分”（预测结果）与“ΔCHIR浓度”（真实结果）高度相关（Pearson相关系数 r = 0.82，P &lt; 0.0001）（图4C、D），表明机器学习预测能够反映CHIR剂量偏离最优值的程度。通过早期评估CHIR剂量，我们可在48小时之前调整CHIR处理的持续时间或浓度至最优水平，从而及时纠正分化偏差的细胞轨迹，维持心肌细胞高效分化。
我们还构建了机器学习模型，用于从分化第二阶段和第三阶段的明场图像中有效识别心前体细胞（CPCs）和心肌细胞（CMs）（图5A-D）。通过输入活细胞的明场图像，训练好的机器学习模型可预测CPCs和CMs的区域分布，并无创地评估最终的分化效率。在CPC识别方面，ResNeSt和Grad-CAM预测的CPC分割掩膜与人工标注的掩膜基本一致（图5A），平均交并比（IoU）为59.0%。预测的CPC区域比例也可作为最终分化效率的指标（Pearson相关系数 r = 0.88，P &lt; 0.0001）（图5B）。在CM识别方面，pix2pix模型能够生成与真实（实验获得）的cTnT荧光图像高度相似的荧光图像（图5C），预测的与真实的全孔分化效率指数之间具有高度相关性（Pearson相关系数 r = 0.93，P &lt; 0.0001）（图5D）。该方法避免了免疫荧光染色或流式分选对细胞造成的不可逆损伤。基于一种光激活探针（DACT-1），我们成功实现了无需生物标志物的高效区域选择性CPC纯化（图5E、F），从而可在分化过程中实时纯化目标细胞类型。
因此，通过结合活细胞明场成像与机器学习，该方法实现了在整个分化过程中对细胞谱系的实时预测与效率评估，从而调控并稳定PSC分化。
<img alt="CM 分化流程图：细胞成像、机器学习、反馈、干预过程。" class="xfigimg" src="/files/ftp_upload/66823/66823fig01.jpg" data-altupdatedat="1762425657000" data-alt="图 1"> 
图 1：机器学习辅助的 CM 分化工作流程示意图。 实验人员进行心肌细胞分化，并从显微镜获取延时相差成像的细胞图像；在 CM 分化的各个阶段，图像被输入训练好的机器学习模型进行预测；实验人员利用预测结果作为反馈，实时调节和优化分化方案，以实现稳定且高效的分化。比例尺 = 1 mm。 <a href="https://www.jove.com/files/ftp_upload/66823/66823fig01large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="细胞培养显微图像；观察形态、细胞密度；包括荧光Hoechst染色。" class="xfigimg" src="/files/ftp_upload/66823/66823fig02.jpg" data-altupdatedat="1762425657000" data-alt="图2"> 
图2：细胞图像采集。（A）PSC阶段70%细胞融合度的明场活细胞图像示例。（B）PSC阶段80-90%细胞融合度的明场活细胞图像示例。（C）CPC阶段的明场活细胞图像示例。（D）CM阶段的明场活细胞图像示例。（E）同一视野下免疫荧光染色后的明场与荧光图像示例。（A-E）比例尺 = 250 µm。缩写：PSC = 多能干细胞；CPC = 心脏前体细胞；CM = 心肌细胞；cTnT = 心肌肌钙蛋白T。<a href="https://www.jove.com/files/ftp_upload/66823/66823fig02large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="数据处理流程图，包含图表、代码和结果表格；编程与软件界面。" class="xfigimg" src="/files/ftp_upload/66823/66823fig03.jpg" data-altupdatedat="1762425657000" data-alt="图 3"> 
图 3：机器学习应用的截图。（A-C）多能干细胞（PSC）阶段机器学习的代表性截图，包括（A）数据集准备、（B）模型性能测试以及（C）特征重要性解释。（D-F）I 阶段机器学习的代表性截图，包括（D）数据集准备和（E,F）模型评估。（G-I）II 阶段机器学习的代表性截图，包括（G）数据集准备、（H）模型训练以及（I）模型评估。（J-L）III 阶段机器学习的代表性截图，包括（J）模型训练和（K,L）模型评估。缩写：ML = machine learning（机器学习）；PSC = pluripotent stem cell（多能干细胞）。<a href="https://www.jove.com/files/ftp_upload/66823/66823fig03large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="细胞分化指标分析；用于统计评估的柱状图、散点图和热图。" class="xfigimg" src="/files/ftp_upload/66823/66823fig04.jpg" data-altupdatedat="1762425657000" data-alt="图 4"> 
图 4：基于机器学习的心肌细胞分化在多能干细胞阶段及第 I 阶段的代表性结果。（A）多能干细胞阶段特征可视化的结果。展示了分化效率与八个最重要特征之间的关系。特征重要性由训练好的机器学习模型确定。每个特征的取值范围被划分为 20 个区间，对每个区间内孔的分化效率指数进行平均，并以颜色显示。颜色变化的趋势表示每个形态学特征对最终分化效率的影响。这些结果共同表明，适中的面积、更长的周长、更大的中心-轮廓距离变化性、较低的圆形度以及较高的凸度更有利于分化。（B）在多能干细胞阶段通过真实值与预测的分化效率指数之间的相关性分析对机器学习性能进行评估。高相关性表明，多能干细胞集落的分化潜能可通过其形态学特征进行预测。n = 584 个孔。（C）在第 I 阶段通过预测的偏差评分与每个 CHIR 剂量条件下真实 ΔCHIR 浓度之间的相关性分析评估机器学习性能。偏差评分（范围为 -1 至 1）通过机器学习利用 0–12 小时的明场图像流无创预测。ΔCHIR 浓度（…, -4 µM, -2 µM, 0, 2 µM, 4 µM, …）通过最终的分化结果实验测定，用于衡量每种 CHIR 条件下相对于最优条件的实际偏差。预测的偏差评分能高度指示实际的 ΔCHIR 浓度，表明机器学习预测可作为 CHIR 剂量评估与调整的信号。蓝色和红色框分别代表剂量不足和剂量过量的情况。（D）在第 I 阶段使用跨批次验证评估机器学习性能。每轮中，一个批次用于测试，其余用于训练，以检验机器学习模型在新批次上的泛化能力。对预测的偏差评分与真实 ΔCHIR 浓度（在 CHIR 处理时长为 24 小时条件下）进行相关性分析。点的颜色代表不同的测试批次。n = 20 个 CHIR 剂量。本图引自 Yang 等人35。缩写：ML = 机器学习；PSC = 多能干细胞；CHIR = CHIR99021。<a href="https://www.jove.com/files/ftp_upload/66823/66823fig04large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<img alt="心肌细胞分化；cTnT荧光；图像分类；像素相关性；图分析。" class="xfigimg" src="/files/ftp_upload/66823/66823fig05.jpg" data-altupdatedat="1762425657000" data-alt="图5"> 
图5：基于机器学习的心肌细胞分化在心前体细胞阶段和心肌细胞阶段的代表性结果。（A）阶段II中机器学习识别心前体细胞（CPC）的典型结果。显示的是第12天的真实cTnT荧光图像（左），人工标注的CPC区域（中），以及利用第6天明场图像通过机器学习预测的CPC区域（右）。预测结果与实际实验结果高度相似。比例尺 = 1 mm。（B）通过真实分化效率指数（来自第12天cTnT荧光标记）与预测的CPC区域百分比（来自第6天明场图像）之间的相关性分析，对阶段II中机器学习性能进行评估。高度相关性表明，可在阶段II无创地预测分化效率。真实分化效率指数在0%至100%之间归一化。n = 35孔。（C）阶段III中机器学习识别心肌细胞（CM）的典型结果。显示的是真实cTnT荧光结果（左），预测的cTnT荧光结果（中），以及比较每个像素处预测与真实荧光强度的热图（右）。荧光图像被调整为512 × 512像素，热图中各区间内的数字表示每100个像素的频率计数。大部分像素位于热图的对角线上，表明预测与真实的荧光强度接近。比例尺 = 1 mm。（D）通过真实与预测分化效率指数之间的相关性分析，评估阶段III中机器学习的性能。真实与预测的分化效率指数均在0%至100%之间归一化。n = 36孔。（E）第6天图像识别的CPC纯化效果。经过FACS分选并培养6天后，与DACT-1标记的非CPC及对照组（CTL）细胞相比，未标记的图像识别CPC显示出较高的心肌细胞纯度。比例尺 = 100 µm。（F）通过比较（E）中cTnT+细胞百分比对纯化效果进行定量分析。数据为均值 ± 标准差（SD）。n = 5张图像。* P &lt; 0.05；**** P &lt; 0.0001，采用单因素方差分析（one-way ANOVA）后接Dunnett多重比较检验。本图引自Yang等35。缩写：ML = 机器学习（machine learning）；PSC = 多能干细胞（pluripotent stem cell）；CPC = 心前体细胞（cardiac progenitor cell）；CM = 心肌细胞（cardiomyocyte）；cTnT = 心肌肌钙蛋白T（cardiac Troponin T）。 <a href="https://www.jove.com/files/ftp_upload/66823/66823fig05large.jpg" target="_blank">请点击此处查看该图的放大版本。</a>
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td colspan="2">观察到的问题</td>
			<td colspan="4">可能原因</td>
			<td colspan="5">解决方案</td>
		</tr>
		<tr>
			<td colspan="2">机器学习模型在训练集上表现不佳。</td>
			<td colspan="4">1. 机器学习模型的训练未能良好收敛。 
			2. 对于传统机器学习方法，提取的图像特征不足以反映细胞状态和谱系。 
			3. 对于深度学习方法，所设计神经网络的表征能力不足以完成任务。 
			4. 任务本身难以学习。</td>
			<td colspan="5">1. 调整超参数，例如增加训练轮数（epochs）并修改学习率。 
			2. 观察图像以寻找与细胞状态相关的形态学线索，设计符合生物学逻辑的特征。 
			3. 修改网络结构以提高其复杂性。 
			4. 检查数据集，确保目标细胞的特征易于识别。若模型无法学习该任务，可尝试在成像线索更清晰的阶段应用机器学习，或设计更简单的任务。</td>
		</tr>
		<tr>
			<td colspan="2">机器学习模型在训练集上表现良好，但在测试集上表现不佳。</td>
			<td colspan="4">1. 模型对训练集过拟合。</td>
			<td colspan="5">1. 扩充训练数据集并重新训练模型。通过纳入更多细胞系、分化条件和成像条件来提高训练数据的多样性。 
			对于传统机器学习方法，使用特征选择以减少输入特征数量，可能有助于提升模型的泛化能力。</td>
		</tr>
		<tr>
			<td colspan="2">机器学习模型在新批次或新细胞系上表现不佳。</td>
			<td colspan="4">1. 显微镜及成像参数发生变化。 
			2. 不同细胞系的形态学特征可能存在差异。</td>
			<td colspan="5">1. 确保使用的成像设备与模型训练时一致。 
			2. 收集来自新细胞系和/或新成像条件的标注数据，重新训练或微调机器学习模型。</td>
		</tr>
		<tr>
			<td colspan="2">基于机器学习指导的分化过程调控未见改善分化结果。</td>
			<td colspan="4">1. 机器学习输出结果不准确。 
			2. 实验试剂或操作流程存在问题。 
			3. 细胞系本身存在缺陷，缺乏分化能力。</td>
			<td colspan="5">1. 尝试上述提到的故障排查步骤。 
			2. 检查实验室试剂和实验操作流程。 
			3. 更换细胞系。</td>
		</tr>
		<tr>
			<td colspan="2">纯化后仍存在细胞类型污染。</td>
			<td colspan="4">1. 预测结果不准确。 
			2. 一些非目标细胞位于纯化区域边缘而被包入。</td>
			<td colspan="5">1. 优化机器学习模型的预测结果。 
			2. 更保守地使用机器学习预测结果，例如适当缩小CM区域的范围。</td>
		</tr>
		<tr>
			<td colspan="2">纯化后细胞状态较差。</td>
			<td colspan="4">1. 激光光毒性。 
			2. 操作过程缓慢。 
			3. 消化过程导致细胞损伤。 
			4. 流式分选过程造成细胞损伤。</td>
			<td colspan="5">1. 通过激光辐照消除非目标细胞，而非照射目标细胞。 
			2. 加快操作速度。 
			3. 调整传代方法，例如降低消化酶浓度。 
			4. 调整分选方法，例如降低分选过程中设定的细胞流速。</td>
		</tr>
	</tbody>
</table>
表1：故障排除表。

现有的多能干细胞（PSC）向功能性细胞分化的体系目前受到严重的细胞系间和批次间变异性的阻碍。本文以心肌细胞分化为主要示例，介绍了一种基于图像的机器学习方法，用于智能监测和调控PSC分化过程的实验方案。

多能干细胞（PSC）技术已广泛应用于药物发现、疾病建模和再生医学。然而，现有的……

本研究基于活细胞明场图像，开发了一种利用多种机器学习模型的策略。该策略能够以非侵入方式识别细胞谱系，实时调控分化过程，并优化分化方案，从而提高多能干细胞向功能性细胞分化过程中的稳定性。多能干细胞具有在体外分化为多种细胞类型的潜力，可用于细胞治疗、疾病建模及药物开发。在PSC分化细胞生产过程中，主要问题之一是细胞系和批次之间的不稳定性。这常常导致需要重复进行多次实验，耗费大量时间和劳动力。目前，最先进的显微成像技术能够支持对活细胞进行长期延时、高通量的图像采集。与此同时，快速发展的机器学习方法正越来越多地应用于细胞图像分析，这为识别细胞培养过程中分化阶段的特定细胞组分或细胞图像提供了可能。该方法有望被应用于标准化其他细胞命运诱导系统，例如类器官分化、直接转分化或细胞重编程，特别是对于需要多步骤和复杂诱导因子的不稳定系统。此外，我们的策略可与其他技术兼容，有望整合为一个自适应闭环系统，实现体外PSC分化的全自动处理。

a-live-cell-image-based-machine-learning-strategy-to-monitor

Research

科研

JoVE Journal

Biology

生物学

一种基于活细胞图像的机器学习策略，用于监测多能干细胞分化

来源： Gómez-Villafuertes, R., et. al., 通过活体成像结合单细胞追踪监测多种神经细胞群体的细胞生物学特性及谱系进展. J. Vis. Exp. (2017)...

活体成像与单细胞追踪监测成年神经干细胞中的神经谱系

本研究中所述方案介绍了通过流式细胞术分析，对多能干细胞阳性与阴性标志物进行动力学检测，从而实时监测重编程进程的方法。该方案还包括基于成像技术对诱导性多能干细胞（iPSC）生成过程中的细胞形态、标志物或报告基因表达进行评估。...

体细胞重编程的动力学测量与实时可视化

本文介绍了一种通过延时视频显微镜监测神经细胞群体，并结合基于软件的后期处理的稳健方案。该方法是一种强大的工具，可用于在活体成像实验中识别特定细胞群体内的生物学事件。...

活体成像联合单细胞示踪监测多种神经细胞群体的细胞生物学与谱系进展

我们展示了与自动化成像和分析兼容的人诱导多能干细胞（hiPSC）培养及神经元分化的自动化流程。...

人诱导多能干细胞来源的皮层神经元和多巴胺能神经元的自动化生产及整合活细胞监测

我们介绍一种基于小分子的方案，用于将小鼠胚胎干细胞分化为少突胶质前体细胞（OPCs）。该方案可在30天内高效地生成Olig2+NG2+的OPCs。我们还描述了一种生成“可放电”OPCs的方法，这类细胞能够产生动作电位。...

胚胎干细胞向少突胶质细胞前体的分化

本文旨在指导读者使用集成的原子力-光学成像显微镜对培养中的活细胞进行机械刺激操作。文中提供了一步一步的操作方案，并展示了一组典型的实验数据，用以显示活细胞对机械刺激的响应。...

活细胞对机械刺激响应的集成光学与原子力显微镜研究

尽管基因修饰技术已取得近期进展，人类胚胎干细胞（HESCs）的转染仍是一个不稳定的过程。据我们所知，目前尚未有报道关于系统性且高效转染人类诱导多能干细胞（iPSCs）的方法。本文中，我们描述了高效转染和核转染人类iPSCs的可靠方案。...

转染和核转染人诱导性多能干细胞

本文描述了一种通过逆转录病毒介导的OCT4、SOX2、KLF4和MYC异位表达来生成人诱导性多能干细胞（iPSCs）的方法。同时还讨论了一种基于GFP表达识别人iPSC克隆的实用方法。...

利用携带GFP的逆转录病毒载体将人类体细胞重编程为诱导性多能干细胞（iPSCs）

多能干细胞，包括胚胎干细胞或诱导性多能干细胞（iPS细胞），是获取人类分化细胞（包括心肌细胞）的重要来源。本文将重点介绍iPS细胞向心脏细胞的诱导分化，展示如何通过基于拟胚体的方案获得功能性人类心肌细胞。...

人类心肌细胞的生成：从无饲养层人诱导性多能干细胞分化的心肌细胞制备方案

通过荧光标记的自噬标志物进行延时显微成像，可实现对动态自噬反应的高时间分辨率监测。结合三种不同颜色的特异性自噬和细胞器标志物，我们能够在稳定的空间和时间背景下追踪某蛋白质在自噬体形成过程中的作用。...

活细胞成像观察早期自噬事件：omegasome 及其相关过程

了解基于活细胞明场图像的机器学习策略，用于非侵入性识别细胞谱系并实时调控多能干细胞分化过程。该方法可优化分化方案，提高功能性细胞产出的稳定性与效率。

一种基于活细胞成像的机器学习策略用于监测多能干细胞分化

探索更多视频