Dans cette étude, basée sur des images en fond clair de cellules vivantes, nous avons développé une stratégie, en exploitant différents modèles d’apprentissage automatique. Cette stratégie permet d’identifier la lignée cellulaire de manière non invasive, de moduler le processus de différenciation en temps réel et d’optimiser le protocole de différenciation, améliorant ainsi l’invulnérabilité de la différenciation cellulaire fonctionnelle de la PSC. Les cellules souches pluripotentes présentent la capacité de se différencier en de nombreux types de cellules in vitro, qui pourraient être utilisées pour la thérapie cellulaire, la modélisation de maladies et le développement de médicaments.
L’un des principaux problèmes de la production de cellules dérivées de CSP est l’instabilité entre les lignées cellulaires et les lots. Cela conduit souvent à de multiples expériences répétées, ce qui consomme beaucoup de temps et de main-d’œuvre. À l’heure actuelle, les technologies microscopiques de pointe pourraient prendre en charge l’acquisition d’images à long terme et à haut débit sur des cellules vivantes.
Pendant ce temps, la méthode d’apprentissage automatique en évolution rapide est de plus en plus appliquée dans l’analyse d’images cellulaires, ce qui ouvre des possibilités de reconnaissance de constituants cellulaires spécifiques ou d’images cellulaires lors de la différenciation en culture cellulaire. Cette méthode pourrait, espérons-le, être appliquée à d’autres systèmes standardisés d’induction du destin cellulaire comme la différenciation organoïde, la transdifférenciation directe ou la programmation cellulaire, en particulier pour les systèmes instables nécessitant plusieurs étapes et des inducteurs complexes. De plus, notre stratégie est compatible avec d’autres technologies, qui peuvent être intégrées de manière prometteuse dans un système auto-adaptatif et en boucle fermée pour le traitement entièrement automatique de la différenciation des PSC in vitro.
