In dieser Studie haben wir auf der Grundlage von Hellfeldbildern lebender Zellen eine Strategie entwickelt, die verschiedene Modelle des maschinellen Lernens nutzt. Diese Strategie kann die Zelllinie nicht-invasiv identifizieren, den Differenzierungsprozess in Echtzeit modulieren und das Differenzierungsprotokoll optimieren, wodurch die Unverwundbarkeit der PSC-zu-funktionellen Zelldifferenzierung verbessert wird. Pluripotente Stammzellen haben die Fähigkeit, sich in vitro in viele Zelltypen zu differenzieren, die für die Zelltherapie, die Modellierung von Krankheiten und die Entwicklung von Medikamenten verwendet werden könnten.
Eines der Hauptprobleme bei der Herstellung von PSC-abgeleiteten Zellen ist die Instabilität zwischen Zelllinien und Chargen. Dies führt oft zu mehrfachen wiederholten Experimenten, die viel Zeit und Arbeit in Anspruch nehmen. Derzeit könnten modernste mikroskopische Technologien die langfristige Zeitraffer-Hochdurchsatz-Bilderfassung an lebenden Zellen unterstützen.
In der Zwischenzeit wird die sich schnell entwickelnde Methode des maschinellen Lernens zunehmend in der zellulären Bildanalyse eingesetzt, was Möglichkeiten eröffnet, spezifische zelluläre Bestandteile oder Zellbilder während der Differenzierung in Zellkulturen zu erkennen. Diese Methode könnte hoffentlich auf standardisierte andere Induktionssysteme für das Zellschicksal angewendet werden, wie z.B. Organoid-Differenzierung, direkte Transdifferenzierung oder zelluläre Programmierung, insbesondere für instabile Systeme, die mehrere Schritte und komplexe Induktoren erfordern. Darüber hinaus ist unsere Strategie mit anderen Technologien kompatibel, die vielversprechend in ein selbstadaptives und geschlossenes System für die vollautomatische Verarbeitung der PSC-Differenzierung in vitro integriert werden können.
