Una estrategia de aprendizaje automático basada en imágenes de células vivas para monitorear la diferenciación de células madre pluripotentes

En este estudio, basado en imágenes de campo claro de células vivas, desarrollamos una estrategia, aprovechando diferentes modelos de aprendizaje automático. Esta estrategia puede identificar el linaje celular de forma no invasiva, modular el proceso de diferenciación en tiempo real y optimizar el protocolo de diferenciación, mejorando la invulnerabilidad en la diferenciación de PSC a células funcionales. Las células madre pluripotentes presentan la capacidad de diferenciarse en muchos tipos de células in vitro, que podrían utilizarse para la terapia celular, el modelado de enfermedades y el desarrollo de fármacos.

Uno de los principales problemas en la producción de células derivadas de PSC es la inestabilidad entre líneas celulares y lotes. A menudo conduce a múltiples experimentos repetidos, lo que consume mucho tiempo y trabajo. En la actualidad, las tecnologías microscópicas de última generación podrían soportar la adquisición de imágenes de alto rendimiento y lapso de tiempo a largo plazo en células vivas.

Mientras tanto, el método de aprendizaje automático en rápida evolución se está aplicando cada vez más en el análisis de imágenes celulares, lo que está abriendo posibilidades para reconocer constituyentes celulares específicos o imágenes celulares durante la diferenciación en cultivos celulares. Se espera que este método se aplique a otros sistemas estandarizados de inducción del destino celular como la diferenciación de organoides, la transdiferenciación directa o la programación celular, especialmente para sistemas inestables que requieren múltiples pasos e inductores complejos. Además, nuestra estrategia es compatible con otras tecnologías, que pueden integrarse de manera prometedora en un sistema autoadaptativo y de circuito cerrado para el procesamiento completamente automático de la diferenciación de PSC in vitro.