Pour établir la stratégie d’apprentissage automatique ou d’apprentissage automatique pour les états initiaux de la colonie PSC, préparez un ensemble de données d’images en fond clair à zéro heure ou avant le traitement CHIR et les images finales de fluorescence cTNT. Quantifiez l’efficacité de différenciation de chaque puits par l’indice d’efficacité de différenciation calculé à partir de ses images de fluorescence cTNT. Quantifier les profils morphologiques des images en fond clair de l’heure zéro à l’aide de caractéristiques de grande dimension qui révèlent les propriétés de la forme de la colonie.
Divisez de manière aléatoire l’ensemble de données en un ensemble d’apprentissage et un ensemble de test. Entraînez un modèle de régression de forêt aléatoire sur l’ensemble d’apprentissage pour prédire l’efficacité de la différenciation à partir de caractéristiques d’image en fond clair de zéro heure. Évaluez le modèle de forêt aléatoire formé sur le jeu de test.
Préparez un ensemble de données composé de flux d’images en fond clair de puits entiers de zéro à 12 heures et des doses CHIR correspondantes, qui sont la combinaison des concentrations et de la durée CHIR. Selon les critères affichés, déterminez la plage de concentration CHIR faible, optimale et élevée pour chaque durée CHIR dans chaque lot. Pour chaque durée, calculez la concentration delta CHIR pour chaque concentration afin de quantifier son écart par rapport à l’optimum.
Extrayez les caractéristiques des flux d’images dans le jeu de données. Pour chaque durée CHIR, entraînez un modèle de régression logistique pour prédire l’étiquette de concentration CHIR à partir des entités de flux d’images sur l’ensemble d’apprentissage. Évaluez les performances de classification du modèle de régression logistique entraîné sur l’ensemble de test à l’aide de l’exactitude, de la précision, du rappel, du score F1 et de l’aire sous la courbe.
Pour évaluer la performance du modèle dans l’évaluation de la dose CHIR, dans l’ensemble de test, fusionnez les étiquettes prédites de puits parallèles avec la même concentration CHIR à l’aide de scores d’écart allant de moins un à un. À l’aide du coefficient de corrélation de Pearson, confirmez que les scores d’écart prédit sont fortement corrélés avec la concentration réelle de CHIR delta pour chaque dose. Ensuite, appliquez les modèles de régression logistique entraînés pour évaluer les doses CHIR dans les nouveaux lots.
Grâce à l’évaluation de la dose CHIR basée sur un modèle, sauvez les puits sous chaque concentration CHIR sous-optimale en conséquence en ajustant leur durée ou concentration CHIR vers l’optimum avant 48 heures. Préparez un ensemble de données composé d’images en fond clair le sixième jour et annotez manuellement les CPC validés par CM en suivant les cellules positives pour la cTNT dans les flux d’images du 12e au sixième jour. Recadrez les images en fond clair et l’annotation manuelle correspondante des CPC validés par CM en patchs.
Étiquetez les correctifs supérieurs ou égaux à 30 % des CPC validés par CM comme positifs et les correctifs sans CPC validés par CM comme négatifs. Entraînez un réseau de neurones convolutifs profonds, ResNeSt, pour apprendre à classifier ces patchs. Utilisez Grad-CAM pour mettre en évidence les régions qui contribuent le plus à l’inférence de ResNeSt représentée par des cartes thermiques.
Fusionnez les cartes thermiques binarisées au niveau du correctif pour obtenir les régions CPC validées par CM prédites, qui sont appelées CPC reconnues par l’image ou régions IRCPC. Comparez les régions IRCPC avec des masques annotés manuellement sur l’ensemble de test en utilisant la précision, le score F1, la précision, le rappel, la spécificité et l’intersection sur l’union. Préparez un ensemble de données composé d’images en fond clair de MC et des images de fluorescence cTNT correspondantes.
Entraînez le modèle pix2pix sur le jeu d’apprentissage avant d’appliquer le modèle formé sur le jeu de test. Pour purifier les CPC engagés dans le CM, utilisez une sonde photoactivitable non cytotoxique, un tracker de cellules à double activabilité 1, ou DACT-1, pour marquer sélectivement les non-CPC. Après avoir irradié la région non-CPC avec une ligne laser de 405 nanomètres, détectez les cellules marquées par DACT-1 à l’aide d’une ligne laser de 561 nanomètres.
Après avoir trié les cellules dissociées, ensemencez les cellules triées dans une plaque à 96 puits recouverte de matrigel, et cultivez des cellules non CPC marquées par DACT-1, des IRCPC non marquées et les cellules du groupe témoin pendant six jours dans le milieu.
