Nature子刊：北京大学建立基于活细胞动态图像机器学习的多能干细胞分化系统

Release time: 2023-08-11

研究背景

多能干细胞可分化为多种类型的功能性细胞（如心肌细胞、肝实质细胞、神经元等），这些功能性细胞为再生医学、发育和疾病体外建模以及药物筛选评估提供了无限的细胞来源，推动着再生医学的临床应用发展。实现干细胞分化过程全自动化的动态调整，降低不同批次之间的多能干细胞产品的稳定性，是干细胞技术转化应用的关键问题。

研究成果

北京大学赵扬课题组和北京大学张珏研究组、北京交通大学刘一研究组合作在《Cell Discovery》杂志在线发表题为A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems的研究论文。

此研究首先以多能干细胞向心肌细胞分化为例（图1），利用活细胞成像技术（通过蔡司Celldiscoverer 7全自动活细胞成像平台实时采集细胞分化过程中的图像）与机器学习方法，针对多能干细胞向功能性细胞分化不稳定的问题，开发了一种非侵入式的、基于细胞明场动态图像和机器学习的策略，实现跨细胞系和批次的持续高效分化，为多能干细胞定向分化功能性细胞的高效、稳定生产提供了解决方案。此发现有望为促进高质量多能干细胞产品在再生医学领域里的临床研究及规模化生产提供重要技术基础。

▲ 图1 基于图像机器学习的稳定优化心肌分化体系的策略总流程图。

研究发现

功能1:基于机器学习对心肌细胞和心肌祖细胞进行识别和纯化

通过蔡司Celldiscoverer 7收集分化全过程明场图像流和最终cTnT（一种心肌细胞的特异标志物）免疫荧光染色结果。在终末分化的心肌阶段（分化第12天），成功分化的心肌细胞具有明显形态特征（图2），机器学习模型成功的提前识别出位于正确分化轨迹的细胞（图3）。

▲ 图2 心肌细胞分化全程的图像流。

▲ 图3 对Celldiscoverer 7的图像机器学习，对非目标细胞进行荧光标记，并使用流式细胞分选，实现了目标细胞产物（心肌祖细胞）的实时分离纯化，目标心肌细胞占比相比未纯化组从63.0%提升到94.7%，确保分化中间阶段的纯度和效率。

功能2：基于机器学习实时评估调整心肌分化早期诱导物CHIR99021的剂量

研究者基于蔡司Celldiscoverer 7的图像回溯正确分化轨迹细胞的早期细胞形态动态特征，发现中胚层阶段（0~3天）使用的小分子诱导物CHIR99021（CHIR）的剂量（浓度与处理时间）对心肌分化效率至关重要，其剂量稍高或稍低就会导致分化失败。

▲ 图4 研究者使用逻辑回归模型，依靠分化初期0~12h明场图像流的特征评估CHIR剂量条件的合适程度。模型对每个孔的CHIR浓度的高、中、低判断准确率可达93.1%，实现对每批多能干细胞分化条件的实时控制和及时纠错。

功能3：基于机器学习模型实时判断多能干细胞起始分化的最佳状态

研究者发现多能干细胞分化第0天处于多能干细胞克隆边缘的细胞更容易分化成功，而位于多能干细胞克隆中心的细胞易分化失败的空间差异特点。研究者通过蔡司Celldiscoverer 7明场图像流的观察和机器学习，指导分化开始的最佳时机，实现了对分化起始多能干细胞状态的实时质控并进一步优化了分化体系（图5）。