北京大学、機能細胞を効率的かつ安定的に調製するための機械学習に基づく多能性幹細胞分化システムを開発

内容の概要:20 世紀以来、幹細胞および再生医療技術は、国際的な生物医学分野におけるホットフロンティアの 1 つです。現在、研究者は幹細胞を特定の細胞型に変える方法を模索し始めています。しかし、この過程で幹細胞は不規則に増殖したり、自発的に異なる種類の細胞に分化したりするため、幹細胞の増殖と分化をどのように制御するかが研究者が直面する課題の1つとなっています。この記事では、北京大学のZhao Yang研究グループの研究者らが、多能性幹細胞の分化プロセスに機械学習を適用することを試み、状況を効果的に改善し、再生医療に新たな方向性をもたらした。

キーワード:多能性幹細胞 画像解析機械学習

この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~

多能性幹細胞 (PSC) は、自己再生および自己複製能力を持つ多能性細胞の一種であり、インビトロで無限に増殖し、さまざまな種類の細胞に分化できます。損傷した細胞を交換し、損傷した組織の機能回復を促進し、眼疾患、心血管系疾患、神経系疾患などの治療に新たな希望をもたらします。

しかし、現在の多能性幹細胞の指向性分化プロセスは、ライン間およびバッチ間での分化が不安定であるなどの問題を抱えており、そのため機能性細胞の調製に時間と労力がかかり、細胞の開発が著しく妨げられています。機能細胞の研究開発と多能性幹細胞の臨床応用製品の大規模製造。したがって、多能性幹細胞の分化過程のリアルタイムモニタリングを実現することが特に重要です。

最近、北京大学のZhao Yang氏とZhang Yu氏の研究グループ、および北京交通大学のLiu Yiyan氏の研究グループは、生細胞の明視野動的画像と機械学習に基づいた分化システムを開発した。これは、生細胞の分化プロセスをインテリジェントに制御および最適化できる。多能性幹細胞をリアルタイムに分化させ、効率的かつ安定した機能細胞の生産を実現します。現在、研究成果は「PSC分化システムの変動性を低減するための生細胞画像に基づく機械学習戦略」と題して、「Cell Discovery」誌に掲載されている。

研究結果はCell Discovery誌に掲載されました。

用紙のアドレス:

https://www.nature.com/articles/s41421-023-00543-1

実験概要

現在、顕微鏡技術は細胞の画像をキャプチャすることができ、機械学習手法は細胞画像を分析することができます。したがって、この研究では、機械学習アルゴリズムを使用して明視野画像内の細胞を識別および分類し、その系統や細胞構成を決定し、研究者が細胞の構造と機能をよりよく理解できるようにします。

この研究の結果は、多能性幹細胞の心筋細胞（CM）および肝臓および腎臓のインレー細胞への分化プロセスを効果的に最適化および改善できることが確認されました。研究方法と手順の完全なセットは次のとおりです。

図 1: 機械学習に最適化された PSC-to-CM

答え:図の上半分は、PSC の各微分プロセスにばらつきが存在することを示し、図の下半分は、上記の微分プロセスに機械学習が適用され、ばらつきが効果的に低減されることを示しています。

b:低分子調節因子は、標準的な Wnt シグナル伝達経路の PSC から CM への分化プロセスを調節するために使用されます。緑色の矢印は、第 1 段階の CHIR 調節の期間と濃度を示し、色付きの点は機械学習のチェックポイントを示します。

c:10 日間にわたる遅延明視野画像と cTnT 蛍光結果。

d:プロセス全体を通じて分化に成功した細胞と失敗した細胞の位置と形態。

e:正常に分化した細胞の質感と形態は、5 日目から 12 日目までに変化しました。

f:分化効率のライン間のばらつき。

g:バッチ間の細胞分化のばらつき。

h:CHIR 線量が異なると、微分画像の局所的な特徴が変化します。

実験プロセス

実験データセット 

PSC から CM への分化を主な例として取り上げ、研究者らは、図 1b に示すように、Zeiss Cell Discover 7 生細胞全自動イメージング プラットフォームを使用して分化プロセス中の明視野画像をリアルタイムで収集し、プロセス全体を追跡しました。その上。分化の最後に、分化に成功した CM は、心筋細胞の特異的マーカーである cTnT による蛍光標識によって識別されます。このプロセスでは、画像の多様性を高めるために、研究者らはいくつかの変数（異なる PSC、初期細胞密度、分化培地、異なる CHIR 線量）を導入し、最終的に 720 万枚以上の画像を収集しました。

実験結果 

生細胞イメージング技術と機械学習を組み合わせ、この実験では次の 4 つの結果が得られました。

* 機械学習により、分化した細胞の状態を正確に識別し、分化効率を推定できます。

研究者らは、分化プロセスの6日目に、最終的にCMへの分化に成功した細胞、すなわちCPC（心臓前駆細胞）が紡錘形をとり始めたことを発見した。したがって、彼らは弱教師モデルを使用して明視野画像でそのような細胞を特定し、それらを「画像認識心臓前駆細胞（IR-CPC）」と名付けました。以下の図 2 に示すように、研究者らは、全細胞に占める IR-CPC の割合と真の分化効率との相関関係は 88% であると結論付けました。

図 2: IR-CPC 比と真の分化効率の相関関係

同時に、研究者らは pix2pix 深層学習モデルを使用して、CM 誘導段階 (つまり、分化の最初の段階) の明視野画像を予測しました。下図に示すように、予測された分化効率と実際の分化効率の相関は 93% に達します。

図 3: 予測された分化効率と実際の分化効率の相関関係

上記の実験は、機械学習が分化のさまざまな段階で細胞の状態を識別し、分化結果をリアルタイムで予測できることを示しています。

※機械学習により、分化時間や誘導因子の集中をリアルタイムに予測できます。

研究者らは、分化過程において、中胚葉段階（0～3日）では、誘導剤CHIR99021（CHIR）の用量（濃度と処理時間）が分化効率に大きな影響を与えることを発見した。彼らは、分化の初期段階（0～12時間）における明視野画像のCHIR関連特徴に基づいてロジスティック回帰モデルを構築し、ウェル内のCHIR濃度（低、中、高）を予測しました。以下の図に示すように、CHIR 処理時間を 24 時間に選択すると、各ウェル (複数の小さな穴のある実験室製品) の濃度を決定するモデルの精度は 93.1% に達します。

図 4: ウェル内の CHIR 濃度のモデル予測

同時に研究者らは、最適な CHIR 処理時間を得るために、異なる CHIR 処理時間 (24 時間、36 時間、または 48 時間) でのモデルの予測結果 (偏差スコア) を比較しました。以下の図 5 に示すように、最適な CHIR 処理時間は約 12 時間です (最小偏差スコア)。さらに、図 6 に示すように、モデル予測結果に従って、CHIR 濃度を調整して分化効率を向上させることもできます。

図 5: モデルは最適な CHIR 処理時間を予測します

図 6: CHIR 濃度を調整した場合と調整しない場合の区別結果

上記の実験は、機械学習が誘発物質の投与量の介入を達成できることを示しています。

* 機械学習により、PSC 初期微分の最適な状態をリアルタイムで決定できます。

研究者らは、適切な CHIR 濃度であっても分化に失敗した細胞が出現することを発見し、これは空間的に変化する分化が原因であると提案しました。つまり、分化 0 日目の PSC コロニーの端にある細胞は成功する傾向がありますが、PSC コロニーの中心に位置する細胞は失敗する傾向があります。

この点に関して、研究者らは、分化成功率が高い出発細胞の画像特徴を特定するためのランダムフォレストに基づく機械学習モデルを確立した。そのモデルの結果は、細胞面積が中程度で、より長く、より窪んだエッジを有する細胞が、正常に区別しやすいことを示した。これは実際の観察と一致しています。。このモデルに基づいて、研究者らは、PSC の開始状態を特定することによる予測と真の分化効率の間の相関が 76% と同じくらい高いことを発見しました。結果を以下の図 7 に示します。

したがって、研究者らはまた、細胞の初期形状を変えるために人工介入を使用しました。微分効率が 21.6% ± 2.7% から 88.8% ± 10.5% に効果的に向上します。

図 7: 細胞の開始状態の特定と分化効率の予測の間の相関関係

上記の結果は、機械学習が PSC の初期状態の品質管理を実行できることを示しています。

* 機械学習は、低分子化合物のスクリーニングと分化の安定性の向上に役立ちます。

研究者らは、CHIR濃度が分化に影響を与える重要な要素の1つであることを発見したため、低分子スクリーニングを実施し、不適切なCHIR濃度を相殺するために新しい化合物を使用しようと試みた。以下の図に示すように、研究者らは、分化プロセス6日目の明視野生細胞画像と確立された弱い監視モデルに基づいて小分子スクリーニングプラットフォームを構築し、最終的に3,000以上の小分子の中から化合物BI-1347のスクリーニングに成功した。

図 8: 低分子化合物をスクリーニングするための機械学習プロセス

上記の実験は、機械学習モデルに基づいて、研究者が低分子スクリーニング プラットフォームを確立できることを示しており、それによってスクリーニング実験サイクルが短縮され、スクリーニング コストが削減されます。さらに、この技術によってスクリーニングされた小分子は CHIR 線量範囲を広げ、それによって PSC 分化プロセスの安定性が全体的に向上しました。

最後に、応用シナリオを拡大するために、研究者らはこの研究の結果を腎前駆細胞と肝細胞の分化の初期段階に適用し、正確な予測結果も達成したことがわかります。研究結果は、多能性幹細胞の分化プロセスに関するリアルタイムの指針を提供することができます。

細胞療法：生物医学の新たな道となる可能性がある

細胞療法は、多くの病気（がん、遺伝性疾患）に対して優れた治療効果を示している新興療法です。主な治療法は免疫細胞療法と幹細胞療法に分けられます。中でも幹細胞は、多系統分化、免疫調節、サイトカイン分泌などの機能により、この分野の中核的な研究方向の1つとなっています。

現在、我が国における細胞治療の発展は比較的短期間ですが、将来の展望は非常に広いです。一方で、データの観点から見ると、今後 10 年間はこの分野が急速に成長する時期となる可能性があります。関連データによると、我が国の細胞治療市場の規模は、2021年の13億元から2030年には584億元に成長し、年間平均成長率は53%となる見込みです。他のデータによると、我が国の細胞および遺伝子治療市場は 2025 年に 25 億 9,000 万米ドルに達し、複合成長率 276% で成長すると予想されています。

その一方で、地方自治体もこの分野を支援し、奨励するために関連政策を継続的に導入してきました。たとえば、北京、上海、天津、深センなどでは細胞治療産業が精力的に発展しています。上海市は「細胞治療技術の革新と産業発展を促進するための上海行動計画（2022～2024年）」を打ち出し、2024年までに上海の細胞治療産業で100億元の規模を達成するよう努めることを提案した。深セン市は昨年、細胞治療薬を含む産業クラスターの質の高い発展支援に重点を置き、生物医学産業の発展を支援する文書を相次いで発行した。

データセットとコードアドレス:

https://GitHub.com/zhaoyanglab/ML-for-psc-differentiation

参考リンク:

[1]https://www.thepaper.cn/newsDetail_forward_23417694

[2]http://www.cls.edu.cn/Research/Research_Achievements6067.shtml

[3]https://stcsm.sh.gov.cn/zwgk/ghjh/20221104/f7b02ab5db40439e8d93f15b9dd206da.html

[4]http://legacy.frostchina.com/wp-content/uploads/2021/11/20211116-2.pdf

- 以上 -

この記事は、HyperAI Super Neural WeChat パブリック プラットフォームで初めて公開されました~