초기 PSC 콜로니 상태에 대한 머신 러닝 또는 ML 전략을 수립하려면 0시간 시점 또는 CHIR 처리 전에 명시야 이미지의 데이터 세트와 최종 cTNT 형광 이미지를 준비합니다. cTNT 형광 이미지에서 계산된 분화 효율 지수(differentiation Efficiency index)로 각 웰의 분화 효율을 정량화합니다. 콜로니 모양의 특성을 드러내는 고차원 특징으로 제로 시간 명시야 이미지의 형태학적 프로필을 정량화합니다.
데이터 세트를 학습 세트와 테스트 세트로 무작위로 나눕니다. 훈련 세트에서 랜덤 포레스트 회귀 모델을 훈련시켜 0시간 명시야 이미지 특징과의 차별화 효율성을 예측합니다. 테스트 세트에서 훈련된 랜덤 포레스트 모델을 평가합니다.
0시간에서 12시간까지의 전체 웰 명시야 이미지 스트림과 CHIR 농도와 지속 시간의 조합인 해당 CHIR 선량으로 구성된 데이터 세트를 준비합니다. 표시된 기준에 따라 각 배치의 각 CHIR 지속 시간에서 낮은, 최적 및 높은 CHIR 농도 범위를 결정합니다. 각 지속 시간에서 각 농도에 대한 델타 CHIR 농도를 계산하여 최적값과의 편차를 정량화합니다.
데이터 세트에서 이미지 스트림의 기능을 추출합니다. 각 CHIR 기간에 대해 로지스틱 회귀 모델을 훈련시켜 훈련 세트의 이미지 스트림 기능에서 CHIR 농도 레이블을 예측합니다. 정확도, 정밀도, 재현율, F1 점수 및 곡선 아래 면적을 사용하여 테스트 세트에서 훈련된 로지스틱 회귀 모델의 분류 성능을 평가합니다.
CHIR 용량 평가에서 모델 성능을 평가하려면 테스트 세트에서 마이너스 1에서 1까지의 편차 점수를 사용하여 동일한 CHIR 농도를 가진 평행 웰의 예측된 레이블을 병합합니다. Pearson 상관 계수를 사용하여 예측된 편차 점수가 각 투여량에 대한 실제 델타 CHIR 농도와 높은 상관 관계가 있는지 확인합니다. 다음으로, 훈련된 로지스틱 회귀 모델을 적용하여 새로운 배치에서 CHIR 선량을 평가합니다.
모델 기반 CHIR 선량 평가를 통해 CHIR 지속 시간 또는 농도를 48시간 전에 최적으로 조정하여 최적이 아닌 각 CHIR 농도 이하의 웰을 적절하게 구출할 수 있습니다. 6일차에 명시야 이미지로 구성된 데이터 세트를 준비하고, 12일차부터 6일차까지 이미지 스트림의 cTNT 양성 세포를 추적하여 CM 커밋 CPC에 수동으로 주석을 추가합니다. 명시야 이미지와 CM 커밋 CPC의 해당 수동 주석을 패치로 자릅니다.
CM 커밋 CPC의 30% 이상인 패치는 양수로, CM 커밋 CPC가 없는 패치는 음수로 라벨을 지정합니다. 심층 컨벌루션 신경망 ResNeSt를 훈련시켜 이러한 패치를 분류하는 방법을 학습합니다. Grad-CAM을 사용하여 히트 맵으로 표시되는 ResNeSt의 추론에 가장 많이 기여하는 영역을 강조 표시합니다.
패치 수준 이진화된 히트 맵을 병합하여 이미지 인식 CPC 또는 IRCPC 영역이라고 하는 예측된 CM 커밋 CPC 영역을 가져옵니다. 정확도, F1 점수, 정밀도, 재현율, 특이성 및 합집합에 대한 교차를 사용하여 테스트 세트에서 수동으로 주석이 달린 마스크와 IRCPC 영역을 비교합니다. CM의 명시야 이미지와 해당 cTNT 형광 이미지로 구성된 데이터 세트를 준비합니다.
테스트 세트에 훈련된 모델을 적용하기 전에 훈련 세트에서 pix2pix 모델을 훈련시킵니다. CM-committed CPC를 정제하려면 non-cytotoxic photoactivitable probe, dual-activatable cell tracker 1 또는 DACT-1을 사용하여 non-CPC를 선택적으로 라벨링합니다. 비 CPC 영역에 405 나노미터 레이저 라인을 조사한 후 561 나노미터 레이저 라인을 사용하여 DACT-1 표지 세포를 검출합니다.
해리된 세포를 분류한 후 분류된 세포를 마트리겔 코팅된 96웰 플레이트에 파종하고 DACT-1 표지된 non-CPC, unlabeled IRCPC 및 대조군 세포를 배지에서 6일 동안 배양합니다.
