Прогнозирование качества органоидов, полученных из стволовых клеток, с помощью машинного обучения

от

Группа исследователей под руководством профессора Такуя Ямамото и доцента Рюсаку Мацумото (кафедра Frontiers in Life Science) разработала модель машинного обучения, которая позволяет на ранних стадиях предсказывать формирование гипоталамо-гипофизарных органоидов из человеческих iPS-клеток. Это поможет в исследованиях органоидов и регенеративной медицине.

Обычно для получения этих органоидов требуется более двух месяцев культивирования, и качество их формирования часто бывает нестабильным. Это делает процесс трудоёмким и затратным. Чтобы решить эту проблему, исследователи обучили свёрточную нейронную сеть с помощью фазово-контрастных изображений, сделанных на ранних стадиях развития органоидов.

Модель достигла точности 79% в прогнозировании дифференцировки клеток гипофиза на 40-й день, используя изображения с девятого дня. Это демонстрирует её потенциал для принятия экспериментальных решений до начала длительных протоколов.

В отличие от более ранних исследований, которые полагались на одновременное использование данных для обучения и оценки, эта модель прогнозирует долгосрочные результаты дифференцировки на основе визуализации на ранних стадиях. Она обладает редкой предсказательной способностью в биологии органоидов. Исследование опубликовано в журнале Cell Reports Methods.

Чтобы понять, как модель делает свои прогнозы, команда применила Grad-CAM — метод визуализации, который выделяет области изображения, наиболее влияющие на решения модели. Анализ показал, что морфология поверхности органоидов — в частности, такие особенности, как характер зачатков и текстура поверхности — является ключевым фактором успеха.

Успешные органоиды, как правило, имели небольшие области зачатков и слегка шероховатые поверхности. Неудачные органоиды демонстрировали гладкую или неровную текстуру, часто связанную с неправильно локализованными нервными клетками или клетками сетчатки. Эти морфологические признаки появлялись до молекулярных маркеров дифференцировки, что позволяет предположить, что видимые структурные особенности могут служить ранними индикаторами потенциала развития.

Производительность модели сравнивалась с прогнозами опытных исследователей, и она последовательно превосходила человеческие оценки, особенно на более ранних стадиях. Преимущество было наиболее заметным на девятый день, когда человеческие прогнозы были менее надёжными. Модель также была проверена на нескольких линиях iPS-клеток, что подтвердило её надёжность и обобщаемость за пределами исходных обучающих данных.

Для дальнейшего изучения биологической основы качества органоидов исследователи провели секвенирование РНК и иммунофлуоресцентный анализ. Хотя профили экспрессии генов у «неудачных» и «успешных» органоидов на ранних стадиях были в основном схожими, различия в составе типов клеток и пространственной организации становились более выраженными со временем.

Примечательно, что у успешных органоидов чаще образовывались слои оральной эктодермы на поверхности — существенная особенность для дифференцировки гипофиза, в то время как у неудачных органоидов часто наблюдалось чрезмерное представительство неродственных нервных клеток или клеток сетчатки.

Команда также изучила технические факторы, влияющие на производительность модели. Они обнаружили, что изображения с более высоким разрешением и более крупные обучающие наборы данных повышали точность прогнозирования, в то время как отклонения в положении фокуса во время визуализации значительно снижали надёжность. Эти результаты подчёркивают важность стандартизированных протоколов визуализации для эффективного использования машинного обучения в исследованиях органоидов.

Позволяя проводить раннюю неинвазивную оценку потенциала органоидов, эта модель предлагает практическое решение для повышения эффективности и воспроизводимости исследований на основе органоидов. В области, где длительные периоды культивирования и нестабильные результаты традиционно ограничивали масштабируемость, этот подход представляет собой значительный шаг к автоматизированному массовому производству органоидов.

Ожидается, что платформа машинного обучения будет применима к другим системам органоидов и может способствовать достижениям в регенеративной медицине, моделировании заболеваний и разработке лекарств.

Предоставлено Kyoto University

Источник

Другие новости по теме

Другие новости на сайте