HyperAI超神经

Contenu en un coup d'œil :Depuis le 20e siècle, la technologie des cellules souches et de la médecine régénérative est l’une des frontières les plus en vogue dans le domaine biomédical international. Aujourd’hui, les chercheurs ont commencé à explorer des moyens de transformer les cellules souches en types de cellules spécifiques. Cependant, au cours de ce processus, les cellules souches peuvent croître de manière irrégulière ou se différencier spontanément en différents types de cellules. Par conséquent, la manière de contrôler la croissance et la différenciation des cellules souches devient l’un des défis auxquels sont confrontés les chercheurs. Dans cet article, des chercheurs, dont le groupe de recherche de Zhao Yang à l'Université de Pékin, ont tenté d'appliquer l'apprentissage automatique au processus de différenciation des cellules souches pluripotentes, améliorant ainsi efficacement la situation et apportant de nouvelles directions à la médecine régénérative.

Mots-clés:Cellules souches pluripotentes Analyse d'images Apprentissage automatique

Cet article a été publié pour la première fois sur la plateforme publique HyperAI WeChat~

Les cellules souches pluripotentes (CSP) sont un type de cellules multipotentes qui ont la capacité de s’auto-renouveler et de s’auto-répliquer. Ils peuvent proliférer et se différencier en différents types de cellules indéfiniment in vitro.Le remplacement des cellules endommagées et la promotion de la récupération des fonctions tissulaires endommagées ont apporté un nouvel espoir pour le traitement des maladies oculaires, des maladies cardiovasculaires et des maladies du système nerveux.

Cependant, le processus actuel de différenciation dirigée des cellules souches pluripotentes entraînera des problèmes tels qu'une différenciation instable entre les lignées cellulaires (ligne à ligne) et les lots (lot à lot), ce qui rendra la préparation de cellules fonctionnelles longue et laborieuse, entravant sérieusement la recherche et le développement et la fabrication à grande échelle de produits d'application clinique de cellules souches pluripotentes.Il est donc particulièrement important de réaliser un suivi en temps réel du processus de différenciation des cellules souches pluripotentes.

Récemment, les groupes de recherche de Zhao Yang et Zhang Yu de l'Université de Pékin, en collaboration avec le groupe de recherche de Liu Yiyan de l'Université Jiaotong de Pékin, ont développé un système de différenciation basé sur l'imagerie dynamique en champ clair des cellules vivantes et l'apprentissage automatique. Le système peut réguler et optimiser intelligemment le processus de différenciation des cellules souches pluripotentes en temps réel et réaliser une production efficace et stable de cellules fonctionnelles.Actuellement, les résultats de la recherche ont été publiés dans la revue Cell Discovery, intitulée « Une stratégie d'apprentissage automatique basée sur l'image de cellules vivantes pour réduire la variabilité des systèmes de différenciation des PSC ».

Les résultats de la recherche ont été publiés dans la revue Cell Discovery

Adresse du document :

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

Aperçu de l'expérience

Actuellement, la technologie de microscopie peut capturer des images de cellules et les méthodes d’apprentissage automatique peuvent analyser les images de cellules.Par conséquent, cette étude a utilisé des algorithmes d’apprentissage automatique pour identifier et classer les cellules dans des images en champ clair afin de déterminer leur lignée ou leur composition cellulaire, aidant les chercheurs à mieux comprendre la structure et la fonction cellulaire.

Il a été prouvé que les résultats de la recherche peuvent optimiser et améliorer efficacement le processus de différenciation des cellules souches pluripotentes en cardiomyocytes (CM) et en cellules chimériques du foie et des reins.L'ensemble de la méthode et du processus de recherche est le suivant :

Figure 1 : PSC vers CM optimisé pour l'apprentissage automatique

un:Le graphique supérieur montre qu’il existe une variabilité dans chaque processus de différenciation PSC, et le graphique inférieur montre que l’apprentissage automatique appliqué aux processus de différenciation ci-dessus réduit efficacement la variabilité.

b:Processus de différenciation PSC-CM utilisant de petits modulateurs moléculaires pour réguler la voie de signalisation canonique Wnt. Les flèches vertes indiquent la durée et la concentration de la régulation CHIR dans la première étape, et les points colorés indiquent les points de contrôle de l'apprentissage automatique.

c:Images en champ clair différées et résultats de fluorescence cTnT sur une période de 10 jours.

d:L'emplacement et la morphologie des cellules qui ont réussi ou non à se différencier au cours de l'ensemble du processus.

e:La texture et la morphologie des cellules différenciées avec succès changent du jour 5 au jour 12.

f:Variabilité de l'efficacité de différenciation d'une ligne à l'autre.

g:Variabilité de la différenciation cellulaire entre différents lots.

h:Modifications des caractéristiques locales des images de différenciation à différentes doses de CHIR.

Procédures expérimentales

Ensemble de données expérimentales

En utilisant la différenciation PSC-CM comme exemple principal, les chercheurs ont utilisé la plate-forme d'imagerie entièrement automatisée de cellules vivantes Zeiss Cell Discover 7 pour capturer des images en champ clair du processus de différenciation en temps réel et suivre l'ensemble du processus, comme le montre la figure 1b ci-dessus. À la fin de la différenciation, les CM différenciés avec succès ont été identifiés par marquage fluorescent avec cTnT, un marqueur spécifique des cardiomyocytes.Au cours de ce processus, afin d'augmenter la diversité des images, les chercheurs ont introduit plusieurs variables (différents PSC, densité cellulaire initiale, milieu de différenciation, différentes doses de CHIR) et ont finalement collecté plus de 7,2 millions d'images.

Résultats expérimentaux

Combinant la technologie d'imagerie de cellules vivantes et l'apprentissage automatique,Cette expérience a permis d’obtenir les quatre résultats suivants :

* L’apprentissage automatique peut identifier avec précision l’état des cellules différenciées et estimer l’efficacité de la différenciation.

Les chercheurs ont découvert qu’au sixième jour du processus de différenciation, les cellules qui se sont finalement différenciées en CM, à savoir les CPC (cellules progénitrices cardiaques), ont commencé à montrer une forme de fuseau.Ils ont donc utilisé un modèle faiblement supervisé pour identifier ces cellules dans les images en champ clair et l'ont nommé « Image-Recognized CPC (IR-CPC) ».Comme le montre la figure 2 ci-dessous, les chercheurs ont conclu que la corrélation entre la proportion d’IR-CPC dans le total des cellules et l’efficacité réelle de différenciation était de 88%.

Figure 2 : Corrélation entre le ratio IR-CPC et l'efficacité réelle de différenciation

Dans le même temps, les chercheurs ont utilisé le modèle d’apprentissage profond pix2pix pour prédire les images en champ clair de l’étape d’induction du CM (c’est-à-dire la première étape de différenciation).Comme le montre la figure ci-dessous, la corrélation entre l’efficacité de différenciation prévue et l’efficacité de différenciation réelle est de 93%.

Figure 3 : Corrélation entre l’efficacité de différenciation prévue et réelle

Les expériences ci-dessus montrent que l’apprentissage automatique peut identifier l’état des cellules à différents stades de différenciation et faire des prédictions en temps réel des résultats de différenciation.

* L’apprentissage automatique peut prédire le temps de différenciation et la concentration du facteur d’induction en temps réel.

Au cours du processus de différenciation, les chercheurs ont constaté qu'au stade mésodermique (0-3 jours), la dose (concentration et temps de traitement) de l'inducteur CHIR99021 (CHIR) avait un impact plus important sur l'efficacité de la différenciation.Ils ont construit un modèle de régression logistique basé sur les caractéristiques liées au CHIR dans les images en champ clair au stade précoce de différenciation (0-12h) pour prédire la concentration en CHIR dans les puits (faible, modérée, élevée).Comme le montre la figure ci-dessous, lorsque le temps de traitement CHIR est sélectionné sur 24 h, la précision du modèle pour juger la concentration de chaque puits (un élément de laboratoire avec plusieurs petits trous) atteint 93,1%.

Figure 4 : Prédiction du modèle de la concentration de CHIR dans le pore

Dans le même temps, les chercheurs ont comparé les résultats de prédiction (c'est-à-dire les scores d'écart) du modèle sous différentes durées de traitement CHIR (24 h, 36 h ou 48 h) pour obtenir la durée optimale de traitement CHIR. Comme le montre la figure 5 ci-dessous,La durée optimale du traitement CHIR était d’environ 12 h (avec le score d’écart le plus faible). De plus, comme le montre la figure 6, la concentration CHIR peut être ajustée pour améliorer l'efficacité de différenciation en fonction des résultats de prédiction du modèle.

Figure 5 : Le modèle prédit le temps de traitement CHIR optimal

Figure 6 : Résultats de différenciation avec et sans ajustement de la concentration CHIR

Les expériences ci-dessus montrent que l’apprentissage automatique peut permettre d’intervenir dans le dosage des inducteurs.

* L’apprentissage automatique peut déterminer l’état optimal pour la différenciation de l’initiation des PSC en temps réel.

Les chercheurs ont découvert que même à des concentrations modérées de CHIR, les cellules ne parvenaient pas à se différencier, et ils ont suggéré que cela était dû à une différenciation spatialement variable.Autrement dit, les cellules situées à la périphérie de la colonie PSC au jour 0 de la différenciation ont plus de chances de réussir, tandis que les cellules situées au centre de la colonie PSC ont plus de chances d’échouer.

En réponse à cela, les chercheurs ont établi un modèle d’apprentissage automatique basé sur des forêts aléatoires pour identifier les caractéristiques d’image des cellules de départ avec un taux de réussite de différenciation élevé. Les résultats du modèle ont montré que les cellules avec une surface cellulaire moyenne, des bords plus longs et plus bosselés sont plus susceptibles de se différencier avec succès, ce qui est cohérent avec les observations réelles.. Sur la base de ce modèle, les chercheurs ont constaté que la corrélation entre la prédiction de l'état de départ du PSC et l'efficacité réelle de différenciation était de 76%, comme le montre la figure 7 ci-dessous.

Sur cette base, les chercheurs sont également intervenus artificiellement et ont modifié la morphologie initiale des cellules.L'efficacité de différenciation a été effectivement augmentée de 21,6% ± 2,7% à 88,8% ± 10,5%.

Figure 7 : Corrélation entre l’identification de l’état initial des cellules et la prédiction de l’efficacité de la différenciation

Les résultats ci-dessus montrent que l’apprentissage automatique peut effectuer un contrôle qualité sur l’état initial du PSC.

* L’apprentissage automatique peut aider à cribler les composés à petites molécules et à améliorer la stabilité de la différenciation.

Les chercheurs ont découvert que la concentration de CHIR est l’un des facteurs importants affectant la différenciation. Ils ont donc essayé de réaliser un criblage de petites molécules pour utiliser de nouveaux composés afin de compenser les concentrations inappropriées de CHIR. Comme le montre la figure ci-dessous,Sur la base d'images de cellules vivantes en champ clair au jour 6 du processus de différenciation et du modèle faiblement supervisé établi, les chercheurs ont construit une plate-forme de criblage de petites molécules et ont réussi à éliminer le composé BI-1347 parmi plus de 3 000 petites molécules.

Figure 8 : Criblage par apprentissage automatique de composés à petites molécules

Les expériences ci-dessus montrent que sur la base du modèle d’apprentissage automatique, les chercheurs peuvent établir une plate-forme de criblage de petites molécules pour raccourcir le cycle d’expérience de criblage et réduire le coût du criblage.De plus, les petites molécules criblées par cette technologie ont élargi la gamme de dosage CHIR, améliorant ainsi la stabilité globale du processus de différenciation des PSC.

Enfin, afin d’élargir les scénarios d’application, les chercheurs ont appliqué les résultats de cette étude aux premiers stades de différenciation des cellules progénitrices rénales et des hépatocytes, et ont également obtenu des résultats de prédiction précis.Ce résultat de recherche peut fournir des indications en temps réel sur le processus de différenciation des cellules souches pluripotentes.

Thérapie cellulaire : une nouvelle voie pour la biomédecine

La thérapie cellulaire est une méthode de traitement émergente qui a montré de bons effets thérapeutiques sur de nombreuses maladies (cancer, maladies génétiques). Ses principales méthodes de traitement sont divisées en thérapie cellulaire immunitaire et thérapie par cellules souches.Parmi elles, les cellules souches sont devenues l’une des principales orientations de recherche dans ce domaine en raison de leurs fonctions telles que la différenciation multidirectionnelle, la régulation immunitaire et la sécrétion de cytokines.

À l’heure actuelle, le développement de la thérapie cellulaire dans mon pays est relativement court, mais les perspectives d’avenir sont très vastes.D’un côté, à en juger par les données, les dix prochaines années pourraient être une période de croissance rapide dans ce domaine. Selon les données pertinentes, on estime que l'échelle du marché de la thérapie cellulaire de mon pays passera de 1,3 milliard de yuans en 2021 à 58,4 milliards de yuans en 2030, avec un taux de croissance annuel moyen de 53%. D'autres données montrent que le marché de la thérapie cellulaire et génique de mon pays devrait atteindre 2,59 milliards de dollars américains en 2025, avec un taux de croissance composé de 276%.

D’autre part, les gouvernements locaux ont également continuellement mis en place des politiques pertinentes pour soutenir et encourager ce domaine.Par exemple, Pékin, Shanghai, Tianjin, Shenzhen et d’autres villes développent activement l’industrie de la thérapie cellulaire. Shanghai a lancé le « Plan d'action de Shanghai pour promouvoir l'innovation technologique et le développement industriel de la thérapie cellulaire (2022-2024) », proposant de s'efforcer d'atteindre une échelle de 10 milliards de yuans dans l'industrie de la thérapie cellulaire de Shanghai d'ici 2024. L'année dernière, Shenzhen a publié une série de documents pour soutenir le développement de l'industrie biopharmaceutique, en mettant l'accent sur le soutien au développement de haute qualité des pôles industriels, y compris les médicaments de thérapie cellulaire.

Adresse du jeu de données et du code :

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

Liens de référence :

[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

-- sur--