Para establecer la estrategia de aprendizaje automático o ML para los estados iniciales de las colonias de PSC, prepare un conjunto de datos de imágenes de campo claro a las cero horas o antes del tratamiento con CHIR y las imágenes finales de fluorescencia cTNT. Cuantifique la eficiencia de diferenciación de cada pozo mediante el índice de eficiencia de diferenciación calculado a partir de sus imágenes de fluorescencia cTNT. Cuantificar los perfiles morfológicos de imágenes de campo claro de hora cero mediante características de alta dimensión que revelan las propiedades de la forma de la colonia.
Divida aleatoriamente el conjunto de datos en un conjunto de entrenamiento y un conjunto de prueba. Entrene un modelo de regresión de bosque aleatorio en el conjunto de entrenamiento para predecir la eficacia de la diferenciación a partir de características de imagen de campo claro de cero horas. Evalúe el modelo de bosque aleatorio entrenado en el conjunto de pruebas.
Prepare un conjunto de datos que consista en secuencias de imágenes de campo claro de pozos completos de cero a 12 horas y las dosis de CHIR correspondientes, que son las combinaciones de concentraciones y duración de CHIR. De acuerdo con los criterios mostrados, determine el rango de concentración de CHIR bajo, óptimo y alto en cada duración de CHIR en cada lote. En cada duración, calcule la concentración delta CHIR para cada concentración a fin de cuantificar su desviación del valor óptimo.
Extraiga las características de los flujos de imágenes en el conjunto de datos. Para cada duración de CHIR, entrene un modelo de regresión logística para predecir la etiqueta de concentración de CHIR a partir de las características de flujo de imágenes en el conjunto de entrenamiento. Evalúe el rendimiento de la clasificación del modelo de regresión logística entrenado en el conjunto de pruebas mediante la exactitud, la precisión, la recuperación, la puntuación F1 y el área bajo la curva.
Para evaluar el rendimiento del modelo en la evaluación de la dosis de CHIR, en el conjunto de prueba, combine las etiquetas predichas de pozos paralelos con la misma concentración de CHIR utilizando puntuaciones de desviación que van de menos uno a uno. Utilizando el coeficiente de correlación de Pearson, confirme que las puntuaciones de desviación predichas se correlacionan en gran medida con la verdadera concentración delta CHIR para cada dosis. A continuación, aplique los modelos de regresión logística entrenados para evaluar las dosis de CHIR en nuevos lotes.
Con la evaluación de la dosis de CHIR basada en modelos, rescata los pozos bajo cada concentración subóptima de CHIR en consecuencia ajustando su duración o concentración de CHIR hacia la óptima antes de las 48 horas. Prepare un conjunto de datos que conste de imágenes de campo claro en el sexto día y anote manualmente los CPC confirmados por CM mediante el seguimiento de las células cTNT positivas en los flujos de imágenes desde el día 12 hasta el día seis. Recorte las imágenes de campo claro y la anotación manual correspondiente de los CPC confirmados por CM en parches.
Etiquete los parches mayores o iguales al 30 % de los CPC confirmados por CM como positivos y los parches sin CPC confirmados por CM como negativos. Entrene una red neuronal convolucional profunda, ResNeSt, para aprender a clasificar estos parches. Utilice Grad-CAM para resaltar las regiones que más contribuyen a la inferencia de ResNeSt representada por mapas de calor.
Combine los mapas de calor binarizados a nivel de parche para obtener las regiones CPC comprometidas por CM predichas, que se denominan regiones CPC reconocidas por imagen o IRCPC. Compare las regiones IRCPC con máscaras anotadas manualmente en el conjunto de pruebas utilizando la exactitud, la puntuación F1, la precisión, la recuperación, la especificidad y la intersección sobre la unión. Prepare un conjunto de datos que consista en imágenes de campo claro de CM y las correspondientes imágenes de fluorescencia cTNT.
Entrene el modelo pix2pix en el conjunto de entrenamiento antes de aplicar el modelo entrenado en el conjunto de prueba. Para purificar las CPC comprometidas por CM, utilice una sonda fotoactivable no citotóxica, un rastreador de células 1 de doble activación o DACT-1, para etiquetar selectivamente la región como no CPC. Después de irradiar la región no CPC con una línea láser de 405 nanómetros, detecte las células marcadas con DACT-1 utilizando una línea láser de 561 nanómetros.
Después de clasificar las células disociadas, siembre las células clasificadas en una placa de 96 pocillos recubierta de matrigel y cultive las células no CPC marcadas con DACT-1, las IRCPC no marcadas y las células del grupo de control durante seis días en el medio.
