Descripción general del contenido : desde el siglo XX, la tecnología de células madre y medicina regenerativa ha sido una de las fronteras candentes en el campo biomédico internacional. Ahora, los investigadores están comenzando a explorar la posibilidad de convertir las células madre en tipos específicos de células. Sin embargo, durante este proceso, las células madre crecerán de forma irregular o se diferenciarán en diferentes tipos de células de forma espontánea, por lo que controlar el crecimiento y la diferenciación de las células madre se ha convertido en uno de los retos de los investigadores. En este artículo, los investigadores del grupo de investigación de Zhao Yang en la Universidad de Pekín y otros investigadores intentaron aplicar el aprendizaje automático al proceso de diferenciación de células madre pluripotentes, lo que mejoró efectivamente la situación y trajo una nueva dirección para la medicina regenerativa.
Palabras clave : aprendizaje automático de análisis de imágenes de células madre pluripotentes
Este artículo se publicó por primera vez en la plataforma pública hiperneuronal WeChat de HyperAI~
Las células madre pluripotentes (PSC, por sus siglas en inglés) son un tipo de células pluripotentes con capacidades de autorrenovación y autorreplicación, que pueden proliferar y diferenciarse en varios tipos de células in vitro, reemplazar las células dañadas y promover la recuperación de las funciones de los tejidos dañados . nueva esperanza para el tratamiento de enfermedades oculares, enfermedades del sistema cardiovascular y enfermedades del sistema nervioso.
Sin embargo, el proceso actual de diferenciación dirigida de células madre pluripotentes tiene problemas como la diferenciación inestable de línea a línea y de lote a lote, lo que hace que la preparación de células funcionales lleve mucho tiempo y sea laboriosa, y dificulta seriamente la investigación y el desarrollo y fabricación a gran escala de productos de aplicación clínica de células madre pluripotentes. Por lo tanto, es particularmente importante realizar un seguimiento en tiempo real del proceso de diferenciación de las células madre pluripotentes.
Recientemente, el grupo de investigación de Zhao Yang y el grupo de investigación de Zhang Yu en la Universidad de Pekín, junto con el grupo de investigación de Liu Yiyan en la Universidad Jiaotong de Beijing, desarrollaron un sistema de diferenciación basado en imágenes dinámicas de campo brillante de células vivas y aprendizaje automático, que puede ajustar y optimizar de manera inteligente el proceso de diferenciación de células madre pluripotentes en tiempo real, y realizar la producción eficiente y estable de células funcionales. En la actualidad, los resultados de la investigación se han publicado en la revista "Cell Discovery", titulada "Una estrategia de aprendizaje automático basada en imágenes de células vivas para reducir la variabilidad en los sistemas de diferenciación de PSC".
Los resultados de la investigación han sido publicados en la revista Cell Discovery.
Dirección en papel:
https://www.nature.com/articles/s41421-023-00543-1
Descripción general del experimento
Actualmente, las técnicas de microscopía permiten la adquisición de imágenes de células y los métodos de aprendizaje automático permiten el análisis de imágenes de células. Por lo tanto, este estudio utiliza algoritmos de aprendizaje automático para identificar y clasificar células en imágenes de campo claro para determinar sus linajes o componentes celulares, lo que ayuda a los investigadores a comprender mejor la estructura y función celular.
Se ha verificado que los resultados de este estudio pueden optimizar y mejorar de manera efectiva el proceso de diferenciación de células madre pluripotentes en cardiomiocitos (cardiomiocitos, CM) y células incrustadas de hígado y riñón. El conjunto completo de métodos y procedimientos de investigación son los siguientes :
Figura 1: aprendizaje automático optimizado de PSC a CM
a: La parte superior de la figura muestra que hay variabilidad en cada proceso de diferenciación de PSC, y la parte inferior de la figura muestra que el aprendizaje automático se aplica al proceso de diferenciación anterior, lo que reduce efectivamente la variabilidad.
b: El proceso de diferenciación de PSC a CM de la vía de señalización Wnt canónica está regulado por moduladores de moléculas pequeñas. Las flechas verdes indican la duración y la concentración de la regulación CHIR en la primera etapa, y los puntos de colores indican los puntos de control del aprendizaje automático.
c: imágenes de campo claro retardadas y resultados de fluorescencia cTnT durante un período de 10 días.
d: durante todo el proceso, la ubicación y la morfología de las células diferenciadas con éxito y sin éxito.
e: Textura y cambios morfológicos de células diferenciadas con éxito desde el día 5 hasta el día 12.
f: Variabilidad línea a línea de la eficiencia de diferenciación.
g: Variabilidad de diferentes lotes de diferenciación celular.
h: Cambios en las características locales de las imágenes de diferenciación con diferentes dosis CHIR.
procedimiento del experimento
Conjunto de datos experimentales
Tomando la diferenciación de PSC a CM como el ejemplo principal, los investigadores utilizaron la plataforma de imágenes automáticas de células vivas Zeiss Cell Discover 7 para recopilar imágenes de campo brillante en tiempo real durante el proceso de diferenciación y rastrear todo el proceso, como se muestra en la Figura 1b arriba. Al final de la diferenciación, los CM diferenciados con éxito se identificaron mediante marcaje fluorescente con cTnT, un marcador específico para cardiomiocitos. En este proceso, para aumentar la diversidad de imágenes, los investigadores introdujeron varias variables (diferentes PSC, densidad celular inicial, medio de diferenciación, diferentes dosis de CHIR), y finalmente recolectaron más de 7,2 millones de imágenes.
Resultados experimentales
Al combinar la tecnología de imágenes de células vivas y el aprendizaje automático, este experimento logró los siguientes cuatro resultados:
- El aprendizaje automático puede identificar con precisión estados celulares diferenciados y predecir la eficiencia de la diferenciación.
Los investigadores encontraron que en el día 6 del proceso de diferenciación, las células que eventualmente podrían diferenciarse con éxito en CM, es decir, CPC (células progenitoras cardíacas), comenzaron a adoptar una forma de huso, ** por lo que utilizaron un modelo supervisado débilmente para identificar tales células en imágenes de campo claro y las llamaron "CPC reconocidas por imagen (IR-CPC)". **Como se muestra en la Figura 2 a continuación, los investigadores concluyeron que la proporción de IR-CPC a células totales tiene una correlación con la verdadera diferenciación eficiencia del 88%.
Figura 2: Correlación entre la relación IR-CPC y la verdadera eficiencia de diferenciación
Al mismo tiempo, los investigadores utilizaron el modelo de aprendizaje profundo pix2pix para predecir las imágenes de campo claro de la etapa de inducción de CM (es decir, la primera etapa de diferenciación), como se muestra en la figura a continuación, y la correlación entre la eficiencia de diferenciación predicha y la eficiencia de diferenciación real alcanzó el 93%.
Figura 3: Correlación de las eficiencias de diferenciación real y pronosticada
Los experimentos anteriores muestran que el aprendizaje automático puede identificar estados celulares en diferentes etapas de diferenciación y puede predecir el resultado de la diferenciación en tiempo real.
- El aprendizaje automático permite la predicción en tiempo real del tiempo de diferenciación y la concentración del inductor.
Durante el proceso de diferenciación, los investigadores encontraron que la dosis (concentración y tiempo de tratamiento) del inductor CHIR99021 (CHIR) tuvo un mayor efecto sobre la eficiencia de diferenciación en la etapa de mesodermo (0-3 días). Construyeron un modelo de regresión logística basado en las características relacionadas con CHIR en imágenes de campo claro en la etapa temprana de diferenciación (0-12 h) para predecir la concentración de CHIR en los pozos (baja, moderada, alta). , en el CHIR seleccionado Cuando el tiempo de tratamiento fue de 24 horas, la tasa de precisión del modelo al juzgar la concentración de cada pocillo (un producto de laboratorio con muchos orificios pequeños) alcanzó el 93,1 %.
Figura 4: Modelo de predicción de la concentración de CHIR en pozos
Al mismo tiempo, los investigadores compararon los resultados de predicción (es decir, puntajes de desviación) de los modelos bajo diferentes tiempos de procesamiento CHIR (24h, 36h o 48h) para obtener el tiempo de procesamiento CHIR óptimo. Como se muestra en la Figura 5 a continuación, el tiempo óptimo de procesamiento de CHIR es de aproximadamente 12 horas (puntuación de desviación mínima). Además, como se muestra en la Figura 6, según los resultados de predicción del modelo, la concentración de CHIR también se puede ajustar para mejorar la eficiencia de diferenciación.
Figura 5: El modelo predice el tiempo de procesamiento CHIR óptimo
Figura 6: Resultados de diferenciación con concentraciones CHIR ajustadas y no ajustadas
Los experimentos anteriores muestran que el aprendizaje automático puede lograr la intervención en la dosis de inductor.
- El aprendizaje automático puede juzgar el estado óptimo de la diferenciación inicial de PSC en tiempo real.
Los investigadores encontraron que incluso en concentraciones modestas de CHIR, aparecían células que no lograban diferenciarse, lo que propusieron que se debía a una diferenciación espacialmente variable, por lo que las células en el borde de la colonia de PSC en el día 0 de diferenciación tendían a tener éxito, mientras que las células ubicadas en el centro de la colonia de PSC son susceptibles de fallar.
En este sentido, los investigadores establecieron un modelo de aprendizaje automático basado en bosques aleatorios para identificar las características iniciales de la imagen de la celda con una alta tasa de éxito de diferenciación.Los resultados del modelo muestran que las celdas con un área de celda media, bordes más largos y más baches son fáciles de diferenciar con éxito. Esto es consistente con las observaciones reales. Con base en este modelo, los investigadores encontraron una correlación del 76 % entre la identificación del estado PSC inicial previsto y la verdadera eficiencia de diferenciación, como se muestra en la Figura 7 a continuación.
En base a esto, los investigadores también cambiaron la morfología inicial de las células a través de una intervención artificial, aumentando efectivamente la eficiencia de diferenciación del 21,6 % ± 2,7 % al 88,8 % ± 10,5 %.
Figura 7: Correlación entre la identificación del estado inicial de la célula y la predicción de la eficiencia de diferenciación
Los resultados anteriores muestran que el aprendizaje automático puede realizar un control de calidad en el estado inicial de PSC.
- El aprendizaje automático puede ayudar a detectar compuestos de moléculas pequeñas y mejorar la estabilidad de la diferenciación.
Los investigadores encontraron que la concentración de CHIR era uno de los factores importantes que afectaban la diferenciación, por lo que probaron pantallas de moléculas pequeñas para contrarrestar las concentraciones de CHIR inapropiadas con nuevos compuestos. Como se muestra en la figura a continuación, los investigadores construyeron una plataforma de detección de moléculas pequeñas basada en imágenes de células vivas de campo brillante en el día 6 del proceso de diferenciación y el modelo de supervisión débil establecido, y finalmente evaluaron con éxito BI-1347 entre más de 3000 moléculas pequeñas. un compuesto
Figura 8: El proceso de cribado de compuestos de moléculas pequeñas mediante aprendizaje automático
Los experimentos anteriores muestran que, basándose en el modelo de aprendizaje automático, los investigadores pueden construir una plataforma de detección de moléculas pequeñas, acortando así el ciclo del experimento de detección y reduciendo los costos de detección, y las moléculas pequeñas detectadas por esta tecnología amplían el rango de dosis CHIR, mejorando así el rendimiento general . PSC Estabilidad del proceso de diferenciación.
Finalmente, para expandir los escenarios de aplicación, los investigadores aplicaron los resultados de este estudio a las primeras etapas de la diferenciación de células progenitoras renales y células hepáticas, y también lograron resultados de predicción precisos. guía temporal para el proceso de diferenciación de células madre pluripotentes .
Terapia celular: O una nueva vía para la biomedicina
La terapia celular es una terapia emergente que ha mostrado resultados prometedores para una amplia gama de enfermedades (cáncer, trastornos genéticos). Sus principales métodos de tratamiento se dividen en terapia con células inmunitarias y terapia con células madre. Entre ellas, las células madre se han convertido en una de las direcciones centrales de investigación en este campo debido a sus funciones, como la diferenciación multidireccional, la regulación inmunitaria y la secreción de citocinas.
En la actualidad, el desarrollo del campo de la terapia celular en China es relativamente corto, pero la perspectiva futura es muy amplia . Por un lado, a juzgar por los datos, los próximos diez años pueden convertirse en un período de rápido crecimiento en este campo. Según datos relevantes, el tamaño del mercado de la terapia celular en mi país aumentará de 1.300 millones de yuanes en 2021 a 58.400 millones de yuanes en 2030, con una tasa de crecimiento anual promedio del 53%. Según otros datos, se espera que el mercado de terapia celular y génica de mi país alcance los 2590 millones de dólares estadounidenses en 2025, con un crecimiento compuesto del 276 %.
** Por otro lado, los gobiernos de todo el mundo también han emitido continuamente políticas relevantes para apoyar y fomentar este campo. **Por ejemplo, Beijing, Shanghai, Tianjin, Shenzhen y otros lugares están desarrollando vigorosamente la industria de la terapia celular. Shanghái lanzó el "Plan de Acción de Shanghái para promover la innovación tecnológica y el desarrollo industrial de la terapia celular (2022-2024)", y propone luchar para que la escala de la industria de la terapia celular de Shanghái alcance los 10.000 millones de yuanes para 2024. El año pasado, Shenzhen emitió sucesivamente documentos para apoyar el desarrollo de la industria biomédica, enfocándose en apoyar el desarrollo de alta calidad de grupos industriales que incluyen medicamentos para terapia celular.
Conjunto de datos y dirección del código:
https://GitHub.com/zhaoyanglab/ML-for-psc- differenceiation
Link de referencia:
[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/f7b02ab5db40439e8d93f15b9dd206da.html
[4]http://legacy.frostchina.com/wp-content/uploads/2021/11/20211116-2.pdf
-- encima--
Este artículo se publicó por primera vez en la plataforma pública hiperneuronal WeChat de HyperAI~