BI-1347

该研究开发了一种非侵入式的、基于明场图像和机器学习的策略成功解决了多能干细胞向功能性细胞分化不稳定的问题，实时智能地调节和优化分化过程，实现跨细胞系和跨批次的持续高效分化。 多能干细胞（如iPS细胞）可分化为多种类型的功能性细胞（如心肌细胞、肝实质细胞、神经元等），这些功能性细胞为再生医学、发育和疾病体外建模以及药物筛选评估提供了无限的细胞来源，推动着再生医学的临床应用发展。例如，使用多能干细胞来源的视网膜色素上皮细胞有望治疗黄斑变性、使用胰岛细胞有望治疗糖尿病等。 然而，目前多能干细胞的定向分化效率仍存在细胞系间和批次间的不稳定的问题，严重阻碍了多能干细胞临床应用产品的研发进程及规模化制造。因此，如何实现干细胞分化过程的实时质控和监控进而对多能干细胞的分化时间、诱导因子、分化轨迹等进行全自动化的动态调整，有效降低不同批次之间的多能干细胞产品的稳定性，是干细胞技术转化应用的关键问题。 2023年6月6日，北京大学赵扬课题组和北京大学张珏研究组、北京交通大学刘一研究组合作，在 Cell Discovery 期刊发表了题为：A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems 的研究论文。 针对多能干细胞向功能性细胞分化不稳定的问题，该研究开发了一种非侵入式的、基于细胞明场动态图像和机器学习的策略，实时智能地调节和优化分化过程，实现跨细胞系和批次的持续高效分化，为多能干细胞定向分化功能性细胞的高效、稳定生产提供了解决方案。 为拓展该分化策略的应用场景，研究团队在肾祖细胞分化和肝细胞分化早期分别采用以上策略，取得了准确预测效果，这能为分化提供实时的指导。该技术有望未来进一步发展成为基于人工智能的封闭式干细胞分化系统，并为建立基于细胞明场图像的“经验分享”平台提供技术支持。 该研究首先以多能干细胞向心肌细胞分化为例，利用活细胞成像技术（通过蔡司Cell Discover 7成像系统实时采集细胞分化过程中的图像）与机器学习方法，成功实现了： 1）利用机器学习模型，从不同阶段的明场图像准确识别分化的细胞状态，非侵入式地对多能干细胞诱导分化成心肌细胞的诱导效率的实时预测； 2）基于明场图像流和机器学习，对分化时间和诱导因子浓度进行实时判断，有效调控和干预了多能干细胞向心肌细胞分化的效率； 3）基于细胞图像的机器学习算法和光激活探针，在没有生物标志物的情况下，成功实现多能干细胞在心肌细胞分化中间态细胞的纯化； 4）使用细胞图像机器学习模型为小分子筛选提供检测指标，发现CDK8抑制剂（BI-1347）可有效提高细胞对不适当分化条件的“抗扰能力”，进一步优化心肌细胞的分化方法。 基于图像机器学习的稳定优化心肌分化体系的策略总流程图 综上，该研究开发了一种非侵入式的、基于明场图像和机器学习的策略成功解决了多能干细胞向功能性细胞分化不稳定的问题，实时智能地调节和优化分化过程，实现跨细胞系和跨批次的持续高效分化。这些发现有望为促进高质量多能干细胞产品在再生医学领域里的临床研究及规模化生产提供重要技术基础，为生物医学应用中更好地理解和合理调节功能性细胞的分化过程提供了新的生物学视角。 北京大学未来技术学院博士生杨晓淳、北京大学前沿交叉学科研究院博士生陈代超和北京交通大学计算机与信息技术学院孙秋实博士为论文共同第一作者。北京大学未来技术学院分子医学研究所和北大-清华生命科学联合中心赵扬研究员、北京大学前沿交叉学科研究院张珏研究员、北京交通大学计算机与信息技术学院刘一研究员为论文共同通讯作者。北京大学陈知行研究员对本项目基于探针的细胞纯化方法提供宝贵建议，北京大学邹鹏、王世强研究组分别在建立细胞分选方法和鉴定多能干细胞分化心肌的电生理活性方面提供重要支持。