پزشکی بازساختی و سلول‌های بنیادی

سلول های بنیادی مزانشیمی (MSCs) به طور فزاینده ای به عنوان درمان های ترمیمی برای بیماران در مراحل پیش بالینی و بالینی بیماری های مختلف مورد استفاده قرار می گیرند. با این حال،  اصلی چنین درمان هایی شامل ناهمگونی عملکردی و فقدان روش های کنترل کیفیت مناسب (QC) برای غربالگری عملکردی رده های MSC است.

از این رو، نتایج بالینی متناقض گزارش شده اند. اخیراً، روشهای مبتنی بر یادگیری ماشین (ML)، در ارتباط با پروفایلهای مورفولوژیکی تک سلولی، به عنوان جایگزینی برای سنجش های in vitro/vivo معمولی پیشنهاد شده اند که عملکردهای MSC را ارزیابی میکنند. چنین روش هایی در تحلیل های سیستمی عملکرد MSC با آموزش الگوریتم های ML برای یافتن ارتباطات بسیار غیرخطی بین عملکرد MSC و مورفولوژی انجام میشوند. اگرچه چنین رویکردهایی امیدوارکننده هستند، اما از این جهت محدود هستند که تصویربرداری تک سلولی گسترده و با محتوای بالا مورد نیاز است.

علاوه بر این، ویژگی های مورفولوژیکی شناسایی شده به صورت دستی را نمی توان به سایر تنظیمات تجربی تعمیم داد. برای غلبه به این محدودیت ها، پژوهشگران یک چارچوب یادگیری عمیق (DL) برای غربالگری عملکردی رده های MSC با استفاده از تصاویر میکروسکوپی سلول زنده جمعیتهای MSC پیشنهاد کرده اند. آنها به طور کمی مدل های شبکه عصبی کانولوشنال (CNN) مختلف را ارزیابی کرده و نشان داده اند که روش پیشنهادی آنها به طور دقیق رده های MSC آزمایشگاهی را به دو زیر رده بیان کننده بالا و کم نشانگرهای سلولی متمایزکننده استرس پایدار (MUSE) از چندین اهداکننده طبقه بندی می کند.

در مجموع 6120 تصویر سلولی از 8 رده MSC به دست آمد و بر اساس نشانگرهای سلولی MUSE که با رنگ آمیزی ایمونوفلورسانس و FACS آنالیز شدند، به دو گروه طبقه بندی شدند. مدل DenseNet121 بهینه شده سطح زیر منحنی (AUC) 0.975، دقت 0.922، F1 0.922، حساسیت 0.905، اختصاصیت 0.942، ارزش پیش بینی مثبت 0.940 و ارزش پیش بینی منفی 0.908 را نشان داد. بنابراین، چارچوب مبتنی بر DL آنها یک روش مناسب با توان عملیاتی بالا است که می تواند به عنوان یک استراتژی کنترل کیفیت موثر در فرآیندهای تولید زیستی بالینی آینده عمل کند.


https://www.nature.com/articles/s41598-022-21653-y