Прогнозирование качества органоидов из стволовых клеток с помощью машинного обучения

Исследовательская группа под руководством профессора Такуи Ямамото и доцента Рюсаку Мацумото разработала модель машинного обучения, которая позволяет на ранних этапах прогнозировать формирование гипоталамо-гипофизарных органоидов из человеческих iPS-клеток.

Индукция таких органоидов обычно требует более двух месяцев культивирования и часто приводит к нестабильному качеству. Чтобы решить эту проблему, исследователи обучили сверточную нейронную сеть на фазово-контрастных изображениях, сделанных на ранних стадиях развития органоидов.

Модель достигла точности 79% в прогнозировании дифференцировки гипофизарных клеток на 40-й день, используя изображения с 9-го дня. Это позволяет принимать решения о продолжении экспериментов до перехода к длительным протоколам.

В отличие от более ранних исследований, эта модель прогнозирует долгосрочные результаты дифференцировки на основе изображений ранней стадии. Для интерпретации решений модели команда применила технику визуализации Grad-CAM.

Анализ показал, что ключевым фактором успеха является морфология поверхности органоидов — такие особенности, как структура почкования и текстура поверхности. Успешные органоиды имели небольшие области почкования и слегка шероховатую поверхность, тогда как неудачные — гладкую или нерегулярно шероховатую текстуру, часто связанную с неправильной локализацией нейральных или ретинальных клеток.

Модель превзошла по точности прогнозы опытных исследователей, особенно на ранних стадиях (день 9). Её эффективность была подтверждена на нескольких линиях iPS-клеток.

Дополнительные исследования (РНК-секвенирование и иммунофлуоресцентный анализ) показали, что, хотя профили экспрессии генов у "успешных" и "неудачных" органоидов на ранних стадиях были схожи, со временем различия в составе типов клеток и пространственной организации усиливались. Успешные органоиды чаще формировали на поверхности слой оральной эктодермы — важнейший признак для дифференцировки гипофиза.

Также было обнаружено, что на производительность модели влияют разрешение изображений, размер обучающей выборки и стабильность фокусировки при съемке.

Эта модель позволяет проводить раннюю неинвазивную оценку потенциала органоидов, повышая эффективность и воспроизводимость исследований. Платформа машинного обучения может быть применена и к другим системам органоидов, способствуя прогрессу в регенеративной медицине, моделировании заболеваний и разработке лекарств.

Исследование опубликовано в журнале Cell Reports Methods.