技术突破｜人工智能赋能干细胞技术--赵扬/张珏/刘一研究组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

多能干细胞（如iPS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。例如，使用多能干细胞来源的视网膜色素上皮细胞有望治疗黄斑变性、使用胰岛细胞有望治疗糖尿病等。然而，目前多能干细胞的定向分化效率仍存在细胞系间和批次间的不稳定的问题，严重阻碍了多能干细胞临床应用产品的研发进程及规模化制造。因此，如何实现干细胞分化过程的实时质控和监控进而对多能干细胞的分化时间、诱导因子、分化轨迹等进行全自动化的动态调整，有效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。

2023年6月6日，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（IF=38）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¹。此研究首先以多能干细胞向心肌细胞分化为例，利用活细胞成像技术（通过蔡司Cell Discover 7成像系统实时采集细胞分化过程中的图像）与机器学习方法，成功实现了：（1）非侵入式地对多能干细胞诱导分化成心肌细胞的不同阶段的诱导效率的实时预测；（2）对分化时间和诱导因子浓度进行实时判断，有效调控和干预了多能干细胞向心肌细胞分化的效率；（3）建立了基于细胞图像的机器学习算法，且成功应用于多能干细胞在心肌细胞分化中间态细胞的纯化；（4）利用细胞图像机器学习算法，也为小分子筛选提供检测指标，可对细胞分化的“抗扰能力”进行有效优化（图1）。经验证，这套方法和流程还可以用于多能干细胞向肝、肾等前体细胞分化，有效优化及改进了分化体系。这些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。

全文链接：A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems | Cell Discovery (nature.com)

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

在多能干细胞诱导分化过程中，由于走向不同分化的细胞通常会伴随着其特征性的形态变化，研究人员往往会根据经验及时调整实验方案，来降低多能干细胞定向分化的不稳定性。但这些经验往往难以量化和复制，细胞图像中快速或细微的变化也难以被人眼捕捉到。随着活细胞显微成像技术的成熟和机器学习方法的快速发展，多能干细胞诱导分化过程中这些特定的细胞类型和状态可被有效识别和标记，使得基于成像技术的机器学习，人工智能的全自动辅助系统开发成为可能。

本研究以多能干细胞向心肌细胞分化体系为主要示例²，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）。通过pix2pix深度学习模型³，研究者利用心肌细胞诱导阶段的明场图像预测cTnT荧光阳性区域，成功实现了仅通过细胞明场图像直接进行跨细胞系、跨批次的心肌细胞识别和分化效率的评估。预测的分化效率与真实分化效率之间的相关系数达0.93。随后，研究者通过对图像流的回溯，发现最终能成功分化为心肌的细胞在心脏祖细胞阶段（分化第6天），其明场图像就已具备纹理特征。利用基于Grad-CAM的弱监督分割方法^4,5，机器学习模型成功识别了这群心肌祖细胞，它们被命名为“图像识别的心肌祖细胞（Image-Recognized CPC，IR-CPC）”。机器学习预测的IR-CPC比例和最终真实分化效率相关系数达0.88。以上研究结果表明，无论从心肌分化最终的分化效率还是心肌分化的中间阶段的分化效率，机器学习都可以准确的进行预测，可以提前识别出位于正确分化轨迹的细胞。（图3）。

在此基础上，研究者基于机器学习对心肌祖细胞区域的预测和光激活探针DACT-1⁶，对非目标细胞进行了荧光标记，并使用流式细胞分选有效纯化了目标细胞产物。利用纯化的心脏祖细胞继续分化，可获得纯度高达94.7%的心肌细胞，相较于未纯化组的纯度63.0%有显著提高。这一体系在没有生物标志物的情况下，实现了分化过程中目标细胞产物（心肌祖细胞）的实时分离纯化，有助于减少杂细胞污染，确保分化中间阶段的纯度和效率（图3）。

图5 调控优化多能干细胞分化的起始状态