初期のPSCコロニー状態の機械学習またはML戦略を確立するには、ゼロ時間またはCHIR処理前の明視野画像のデータセットと、最終的なcTNT蛍光画像のデータセットを準備します。各ウェルの分化効率を、cTNT蛍光画像から計算された分化効率指数により定量化します。ゼロ時間明視野画像の形態学的プロファイルを、コロニーの形状の特性を明らかにする高次元の特徴によって定量化します。
データセットをトレーニング セットとテスト セットにランダムに分割します。学習セットでランダム フォレスト回帰モデルに学習させて、0 時間の明視野イメージの特徴から微分効率を予測します。テスト セットで学習済みのランダム フォレスト モデルを評価します。
0 時間から 12 時間のウェル明視野画像ストリーム全体と、対応する CHIR 線量 (CHIR 濃度と期間の組み合わせ) で構成されるデータセットを準備します。表示された基準に従って、各バッチの各 CHIR 持続時間で低、最適、および高 CHIR 濃度の範囲を決定します。各期間で、各濃度のデルタ CHIR 濃度を計算して、最適値からの偏差を定量化します。
データセット内の画像ストリームの特徴を抽出します。CHIR 期間ごとに、ロジスティック回帰モデルに学習させて、学習セットの画像ストリーム特徴から CHIR 濃度ラベルを予測します。テストセットで学習済みのロジスティック回帰モデルの分類性能を、精度、精度、再現率、F1 スコア、および曲線下面積を使用して評価します。
CHIR 線量評価のモデル性能を評価するには、テスト セットで、マイナス 1 から 1 の範囲の偏差スコアを使用して、同じ CHIR 濃度の平行ウェルの予測ラベルをマージします。ピアソン相関係数を使用して、予測された偏差スコアが各用量の真のデルタCHIR濃度と高い相関があることを確認します。次に、学習済みのロジスティック回帰モデルを適用して、新しいバッチの CHIR 線量を評価します。
モデルベースのCHIR線量評価では、48時間前にCHIRの持続時間または濃度を最適に調整することにより、最適でない各CHIR濃度でウェルをレスキューします。6日目に明視野画像からなるデータセットを準備し、12日目から6日目まで画像ストリーム内のcTNT陽性細胞を追跡することにより、CMコミットCPCに手動で注釈を付けます。明視野画像と、CM でコミットされた CPC の対応する手動注釈をパッチにトリミングします。
CM がコミットした CPC の 30% 以上のパッチを陽性としてラベル付けし、CM がコミットされた CPC がないパッチを陰性としてラベル付けします。深層畳み込みニューラル ネットワーク ResNeSt に学習させて、これらのパッチの分類を学習します。Grad-CAMを使用して、ヒートマップで表されるResNeStの推論に最も寄与する領域を強調表示します。
パッチ レベルで 2 値化されたヒート マップをマージして、予測された CM コミット CPC 領域 (イメージ認識された CPC または IRCPC 領域と呼ばれます) を取得します。IRCPC 領域を、精度、F1 スコア、精度、再現率、特異性、および結合上の交差を使用して、テスト セット上の手動で注釈が付けられたマスクと比較します。CMの明視野画像と対応するcTNT蛍光画像からなるデータセットを準備します。
トレーニング セットで pix2pix モデルをトレーニングしてから、トレーニング済みモデルをテスト セットに適用します。CMコミットCPCを精製するには、非細胞毒性光活性化プローブ、デュアル活性化セルトラッカー1、またはDACT-1を使用して、非CPCを選択的に領域標識します。非CPCの領域に405ナノメートルのレーザーラインを照射した後、561ナノメートルのレーザーラインを使用してDACT-1標識細胞を検出します。
解離した細胞を選別した後、選別した細胞をマトリゲルでコーティングした96ウェルプレートに播種し、DACT-1標識非CPC、非標識IRCPC、および対照群細胞を培地で6日間培養します。
