Uma estratégia de aprendizado de máquina baseada em imagem de células vivas para monitorar a diferenciação de células-tronco pluripotentes

Neste estudo, com base em imagens de campo claro de células vivas, desenvolvemos uma estratégia, aproveitando diferentes modelos de aprendizado de máquina. Essa estratégia pode identificar a linhagem celular de forma não invasiva, modular o processo de diferenciação em tempo real e otimizar o protocolo de diferenciação, melhorando a invulnerabilidade na diferenciação de células PSC para células funcionais. As células-tronco pluripotentes apresentam a capacidade de se diferenciar em muitos tipos de células in vitro, que podem ser usadas para terapia celular, modelagem de doenças e desenvolvimento de medicamentos.

Um dos principais problemas na produção de células derivadas de PSC é a instabilidade entre as linhagens e lotes celulares. Muitas vezes leva a vários experimentos repetidos, consumindo tempo e trabalho significativos. Atualmente, as tecnologias microscópicas de última geração podem suportar a aquisição de imagens de longo prazo e alto rendimento em células vivas.

Enquanto isso, o método de aprendizado de máquina em rápida evolução está sendo cada vez mais aplicado na análise de imagens celulares, o que está abrindo possibilidades para reconhecer constituintes celulares específicos ou imagens celulares durante a diferenciação em cultura de células. Espera-se que esse método possa ser aplicado a outros sistemas padronizados de indução de destino celular, como diferenciação de organoides, transdiferenciação direta ou programação celular, especialmente para sistemas instáveis que requerem várias etapas e indutores complexos. Além disso, nossa estratégia é compatível com outras tecnologias, que podem ser integradas de forma promissora em um sistema auto-adaptativo e de circuito fechado para processamento totalmente automático da diferenciação de PSC in vitro.