Autor em destaque: Aprimorando a diferenciação de células funcionais para PSC usando modelos de ML baseados em imagens de campo claro de células vivas

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.