清華大學(xué)醫(yī)學(xué)院那潔組建立機(jī)器學(xué)習(xí)輔助的高通量圖像分析策略，用于篩選能促進(jìn)干細(xì)胞體外形成類胚胎的因子 時(shí)間：2021-04-24
Stem Cell Reports （干細(xì)胞報(bào)道）| 利用機(jī)器學(xué)習(xí)輔助的高內(nèi)涵篩選系統(tǒng)全自動(dòng)分析及評(píng)估類胚胎模型
2021年4月23日，清華大學(xué)那潔課題組與Magdalena Zernicka-Goetz組(Cambridge University and Caltech)合作，于干細(xì)胞生物學(xué)領(lǐng)域權(quán)威期刊Stem Cell Reports在線發(fā)表題為“Machine Learning-Assisted High-Content Analysis of Pluripotent Stem Cell-Derived Embryos in vitro”的論文。該文章將高內(nèi)涵共聚焦成像篩選與類胚胎模型相結(jié)合，并利用機(jī)器學(xué)習(xí)輔助的分析策略對(duì)類胚胎圖集進(jìn)行了高效客觀的分析，建立了全自動(dòng)智能化的類胚胎分析策略。應(yīng)用此策略，研究人員揭示了不同多能干細(xì)胞株生成類胚胎的能力具有很大的異質(zhì)性，并對(duì)可促進(jìn)類胚胎發(fā)生的生長(zhǎng)因子及小分子進(jìn)行了篩選，確定了BMP4在類胚胎生成過程中的促進(jìn)作用。
近年來，胚胎體外培養(yǎng)及利用干細(xì)胞模擬的類胚胎為圍著床期胚胎發(fā)育相關(guān)研究提供了新的模型?，F(xiàn)有的基于干細(xì)胞的類胚胎模型大多基于研究者手動(dòng)分析和觀察，缺乏統(tǒng)一的標(biāo)準(zhǔn)且費(fèi)時(shí)費(fèi)力，難以進(jìn)行標(biāo)準(zhǔn)化和高通量的研究。本研究為解決以上難題提供了創(chuàng)新方法。
哺乳動(dòng)物圍著床期胚胎發(fā)育相關(guān)研究對(duì)揭示早期胚胎發(fā)育過程中的重要事件、指導(dǎo)發(fā)育缺陷及妊娠失敗等疾病的治療有重要的意義，然而，倫理約束和取材困難限制著相關(guān)研究的進(jìn)展。在該論文中，研究人員首先展示了體外3D共培養(yǎng)的小鼠胚胎及胚外干細(xì)胞系可以自發(fā)組裝為類似著床后早期原腸胚樣結(jié)構(gòu)，免疫熒光染色分析顯示，該結(jié)構(gòu)可以復(fù)現(xiàn)胚胎早期發(fā)育過程中早期羊膜腔發(fā)生、基底膜形成、頭尾極化等重要的生物事件。
隨后，研究人員將類胚胎模型適配于高內(nèi)涵共聚焦顯微鏡平臺(tái)，通過高內(nèi)涵成像，獲得了多通道3D類胚胎掃描圖像。該圖集包括了多能性，胚外組織、細(xì)胞極化標(biāo)志蛋白和細(xì)胞核的熒光數(shù)據(jù)以及形態(tài)、位置等相關(guān)信息。以海量類胚胎圖像為訓(xùn)練集及分析對(duì)象，研究者通過軟件的人機(jī)交互模塊對(duì)機(jī)器進(jìn)行訓(xùn)練和學(xué)習(xí)，最終實(shí)現(xiàn)了機(jī)器學(xué)習(xí)輔助的高效率、高準(zhǔn)確率、客觀的類胚胎圖像分析，可全自動(dòng)的對(duì)類胚胎模型進(jìn)行形態(tài)特征、極化能力、生成效率、胚胎及胚外干細(xì)胞質(zhì)量等多維度的量化分析。利用此分析平臺(tái)，研究者比較了包括胚胎干細(xì)胞（ESC）及誘導(dǎo)的多能干細(xì)胞（iPSC）在內(nèi)的多株不同小鼠多能干細(xì)胞系的類胚胎生成能力，發(fā)現(xiàn)了不同多能干細(xì)胞在2D、3D培養(yǎng)以及類胚胎發(fā)生過程中的表現(xiàn)有較大的異質(zhì)性。研究者隨后利用此系統(tǒng)進(jìn)行了小分子及生長(zhǎng)因子篩選，經(jīng)過初篩、篩選、時(shí)間窗口和濃度梯度摸索，最終確定了BMP4在類胚胎發(fā)生過程中的促進(jìn)作用，并利用單個(gè)類胚胎轉(zhuǎn)錄組測(cè)序、表觀遺傳組分析以及代孕雌鼠體內(nèi)的移植實(shí)驗(yàn)驗(yàn)證了這一發(fā)現(xiàn)。該研究填補(bǔ)了類胚胎領(lǐng)域缺乏統(tǒng)一量化標(biāo)準(zhǔn)的空白，為類胚胎和類器官等3D培養(yǎng)體系的高通量自動(dòng)化圖像分析提供了參考，極大的提高了相關(guān)研究的效率和分析維度。
清華大學(xué)醫(yī)學(xué)院那潔副教授、劍橋大學(xué)Magdalena Zernicka-Goetz教授為該論文的通訊作者，清華大學(xué)醫(yī)學(xué)院博士后郭健穎、博士生王培哲為本論文共同第一作者，耶魯大學(xué)的Berna Sozen博士，清華大學(xué)博士生邱輝和朱詠林為本研究做出重要貢獻(xiàn)。清華大學(xué)醫(yī)學(xué)實(shí)驗(yàn)班的張興武同學(xué)為本研究制作了有創(chuàng)意的封面圖。本研究由國(guó)家重點(diǎn)研發(fā)計(jì)劃(2017YFA0102802, 2019YFA0110001)、Wellcome Trust（英國(guó)維康信托基金會(huì)）和 Curci Foundation（英國(guó)Curci基金會(huì)）、國(guó)家自然科學(xué)基金(32000610)及清華-北大生命科學(xué)聯(lián)合中心等組織機(jī)構(gòu)提供經(jīng)費(fèi)支持。清華大學(xué)藥學(xué)丁勝教授、劉鵬研究員及北京大學(xué)分子醫(yī)學(xué)研究所博士生崔明曜為本研究提供了幫助。
參考文獻(xiàn)：
Jianying Guo,1,2,6 Peizhe Wang,1,6 Berna Sozen,3,4 Hui Qiu,1,2 Yonglin Zhu,1 Xingwu Zhang,1 Jia Ming,1Magdalena Zernicka-Goetz,3,5,* and Jie Na1,* Machine Learning-Assisted High-Content Analysis of Pluripotent Stem Cell-Derived Embryos in vitro. Stem Cell Reports, 2021,16:1–16
原文鏈接:?
https://www.cell.com/stem-cell-reports/fulltext/S2213-6711(21)00148-X
版權(quán)與免責(zé)聲明：本網(wǎng)頁(yè)的內(nèi)容由收集互聯(lián)網(wǎng)上公開發(fā)布的信息整理獲得。目的在于傳遞信息及分享，并不意味著贊同其觀點(diǎn)或證實(shí)其真實(shí)性，也不構(gòu)成其他建議。僅提供交流平臺(tái)，不為其版權(quán)負(fù)責(zé)。如涉及侵權(quán)，請(qǐng)聯(lián)系我們及時(shí)修改或刪除。郵箱：sales@allpeptide.com