北京大学研发基于机器学习的多能干细胞分化系统,高效、稳定制备功能性细胞

8+干细胞+多组机器学习,鉴定生物标志基因 如图3A所示,这三个免疫亚群的模式是不同的。mRNAsi与基质评分之间的相关值为-0.36(p<0.001),在mRNAsi与免疫评分之间的相关性中也发现了类似的趋势(R = -0.43,p<0.001)。然而,当作者仅基于M1、M2和M3组的患者进行生存分析时,结果显示TCGA-AML患者中干细胞亚群II的整体生存率明显优于干细胞亚群I(p = 0.046)。最后,作者发现在干细胞亚组I中,尼洛替尼的IC50值显著较低(图2D),这表明亚组I的患者对尼洛替尼更敏感,而亚组II的患者则相对较不敏感。 阅读详情

内容一览:20 世纪以来,干细胞与再生医学技术一直是国际生物医学领域的热点前沿之一。现如今,研究人员已开始探索将干细胞转变为特定类型细胞。然而,这一过程中干细胞会出现不规则生长或自发分化为不同类型细胞的情况,因此,如何控制干细胞的生长和分化成为研究人员面临的挑战之一。本文中,北京大学赵扬课题组等研究员尝试将机器学习应用于多能干细胞分化过程中,并有效改善了这一情况,同时为再生医学带来了新的方向。
关键词:多能干细胞 图像分析 机器学习

本文首发自 HyperAI 超神经微信公众平台~

多能干细胞 (pluripotent stem cell, PSC) 是一类具有自我更新、自我复制能力的多潜能细胞,其可以体外无限增殖和分化成各种细胞类型,替代受损细胞,促进受损组织功能恢复,为眼部疾病、心血管系统疾病及神经系统疾病等领域治疗带来了新希望。

然而,目前多能干细胞定向分化过程会出现细胞系间 (line-to-line) 和批次间 (batch-to-batch) 分化不稳定等问题,从而使制备功能性细胞耗时而费力,严重阻碍多能干细胞临床应用产品的研发及规模化制造。因此,实现对多能干细胞分化过程的实时监控显得尤为重要。

近日,北京大学赵扬课题组、张钰课题组联合北京交通大学刘一研课题组研发了一个基于活细胞明场动态图像和机器学习的分化系统,能够实时智能调节和优化多能干细胞分化过程,实现对功能性细胞的高效、稳定性生产。目前,该研究成果已发表在《Cell Discovery》期刊上,题目为《A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems》。

请添加图片描述

该研究成果已发表在《Cell Discovery》期刊上

论文地址:
https://www.nature.com/articles/s41421-023-00543-1

实验概述

目前,显微技术可以对细胞进行图像采集,机器学习方法可以对细胞图像进行分析。因此,本研究利用机器学习算法对明场图像中的细胞进行识别和分类,以确定它们的谱系或细胞成分,帮助研究人员更好地理解细胞 结构 和功能。

经验证,本研究成果可有效优化并且改进多能干细胞向心肌细胞 (cardiomyocyte, CM) 以及肝、肾嵌体细胞分化过程,整套研究方法及流程如下:

请添加图片描述

图 1:机器学习优化 PSC-to-CM

a:上半部分图显示,PSC 每个分化过程都存在变异性,下半部分图显示,机器学习应用于上述分化过程中,有效减少了变异性。

b:使用小分子调节剂调控 canonical Wnt 信号通路的 PSC-to-CM 分化过程,绿色箭头表示第一阶段调节 CHIR 的持续时间和浓度,彩色圆点表示机器学习的检查点。

c:10 天时间内,延迟明场图像和 cTnT 荧光结果。

d:整个过程中,分化成功和失败的细胞位置及形态。

e:成功分化细胞第 5 天到 12 天,纹理及形态变化。

f:分化效率的线对线变异性。

g:不同批次细胞分化变异性。

h:不同 CHIR 剂量,分化图像局部特征变化。

实验过程

实验数据集

研究人员以 PSC-to-CM 分化为主要示例,通过蔡司 Cell Discover 7 活细胞全自动成像平台,实时采集分化过程中的明场图像,追踪整个过程,如上图 1b 所示。分化结束时,通过 cTnT(一种心肌细胞的特异标志物)荧光标记识别成功分化的 CM。这个过程中,为了增加图像多样性,研究人员引入了几个变量(不同 PSC、初始细胞密度、分化培养基、不同 CHIR 剂量),最终收集了超 720 万张图像。

实验成果

结合活细胞成像技术和机器学习,本实验获得以下 4 点成果:

  • 机器学习能准确识别分化细胞状态并预估分化效率。

研究人员发现在分化过程的第 6 天,最终能够成功分化成 CM 的细胞,即 CPC(心脏祖细胞)开始呈现纺锤型,**因此,他们采用弱监督模型识别了明场图像中的此类细胞,并将其命名为「图像识别心肌祖细胞(Image-Recognized CPC, IR-CPC) 。**如下图 2 所示,研究人员得出 IR-CPC 占总细胞比例与真实分化效率相关性达 88%。

请添加图片描述

图 2:IR-CPC 比例与真实分化效率相关性

同时,研究人员采用 pix2pix 深度学习模型对 CM 诱导阶段(即分化第一阶段)的明场图像进行预测,如下图所示,预测分化效率与真实分化效率相关性达 93%。

请添加图片描述

图 3:预测与真实分化效率相关性

以上实验表明,机器学习能够识别分化不同阶段的细胞状态,并能对分化结果进行实时预测。

  • 机器学习能实时预测分化时间和诱导因子浓度。

分化过程中,研究人员发现在中胚层阶段 (0-3 天),诱导物 CHIR99021 (CHIR) 的剂量(浓度与处理时间)对分化效率影响较大。 他们基于分化初期 (0-12h) 明场图像中与 CHIR 有关特征构建了一个逻辑 回归 模型,用来预测孔中 CHIR 浓度(偏低、适中、偏高),如下图所示,在选定 CHIR 处理时间为 24h 时,模型对每个孔(一种有多个小孔的实验室用品)浓度判断准确率达 93.1%。
请添加图片描述
图 4:模型对孔内 CHIR 浓度预测

同时,研究人员将不同 CHIR 处理时间 (24h、36h 或 48h) 下模型的预测结果(即偏差分数)进行比较,可以得到最优 CHIR 处理时间。如下图 5 所示,最优 CHIR 处理时间约为 12 小时(偏差分数最小)。此外,如图 6 所示,根据模型预测结果,还可以调整 CHIR 浓度,提高分化效率。

请添加图片描述
图 5:模型预测最优 CHIR 处理时间

请添加图片描述

图 6:调整、未调整 CHIR 浓度的分化结果

以上实验表明,机器学习能实现对诱导剂剂量的干预。

  • 机器学习能实时判断 PSC 起始分化的最佳状态。

研究人员发现即使在 CHIR 浓度适量的情况下,也会出现分化失败的细胞,他们提出这是由空间异质性 (spatially variable differentiation) 造成的,即分化第 0 天处于 PSC 集落边缘的细胞易成功,而位于 PSC 集落中心的细胞易失败。

对此,研究人员建立了基于随机森林的机器学习模型,用来识别分化成功率高的起始细胞图像特征,模型结果表明,细胞面积中等、边缘越长且越坑洼的细胞容易分化成功,这与实际观察一致。基于这个模型,研究人员发现通过识别起始 PSC 状态预测与真实分化效率的相关性达 76%,结果如下图 7 所示。

据此,研究人员还通过人工干预、改变细胞的起始形态,有效将分化效率从 21.6% ± 2.7% 提升至 88.8% ± 10.5% 。

请添加图片描述

图 7:识别细胞起始状态与预测分化效率相关性

以上结果表明,机器学习能对对 PSC 起始状态进行质控。

  • 机器学习能帮助筛选小分子化合物,提高分化稳定性。

研究人员发现 CHIR 浓度是影响分化的重要因素之一,因此他们尝试开展小分子筛选,用新的化合物抵消不恰当的 CHIR 浓度。如下图所示,研究人员基于分化过程第 6 天的明场活细胞图像和已建立的弱监督模型,构建了小分子筛选平台,最终在 3,000 多个小分子中成功筛选出了 BI-1347 这一化合物。

请添加图片描述

图 8:机器学习筛选小分子化合物过程

以上实验表明,基于机器学习模型,研究人员可以建立一个小分子筛选平台,从而缩短筛选实验周期,降低筛选成本,并且通过这一技术筛选的小分子又拓宽了 CHIR 剂量范围,从而整体提高了 PSC 分化过程稳定性。

最后,为扩展应用场景,研究者将本研究成果应用在肾祖细胞和肝细胞分化早期阶段,同样取得了准确预测效果,可知,该研究成果能为多能干细胞分化过程提供实时指导。

细胞治疗:或成生物医药新赛道

细胞治疗是一种新兴的疗法,对众多疾病(癌症、遗传疾病)都展现出良好的治疗效果。其主要治疗方式分为免疫细胞治疗和干细胞治疗,其中,干细胞凭借其多向分化、免疫调节以及分泌细胞因子等功能,成为该领域的核心研究方向之一。

目前看来,我国细胞治疗领域发展较短,但未来前景却十分广阔。一方面,从数据上来看,未来十年或将成为该领域快速增长期。据相关数据预计,我国细胞治疗市场规模将由 2021 年的 13 亿元,增长至 2030 年的 584 亿元,年均增速高达 53%。另有数据显示,我国细胞和基因治疗市场有望在 2025 年达到 25.9 亿美元,以 276% 的复合增长率增长。

**另一方面,各地政府也不断出台扶持、鼓励该领域的相关政策。**比如北京、上海、天津、深圳等地都在大力发展细胞治疗产业。上海推出《上海市促进细胞治疗科技创新与产业发展行动方案(2022—2024 年)》,提出力争到 2024 年上海细胞治疗产业规模达到 100 亿元。去年,深圳接连发布扶持生物医药产业发展的文件,将重点支持包括细胞治疗药物在内的产业集群高质量发展。

数据集及代码地址:
https://GitHub.com/zhaoyanglab/ML-for-psc-differentiation

参考链接:

[1]https://www.thepaper.cn/newsDetail_forward_23417694

[2]http://www.cls.edu.cn/Research/Research_Achievements6067.shtml

[3]https://stcsm.sh.gov.cn/zwgk/ghjh/20221104/f7b02ab5db40439e8d93f15b9dd206da.html

[4]http://legacy.frostchina.com/wp-content/uploads/2021/11/20211116-2.pdf

—— 完 ——

本文首发自 HyperAI 超神经微信公众平台~

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

相关推荐

深入解析GEM5 McPAT NoC功耗模型:从arbiter电容计算到微架构关联

本文深入解析GEM5 McPAT NoC功耗模型,重点探讨arbiter电容计算与微架构的关联。通过拆解动态功耗公式和四类电容的物理本质,揭示能量与功率的转换关系,并提供参数调试和模型精度优化的实战技巧,帮助开发者更准确地预测和优化NoC功耗。

weixin_29305313的博客 203

干货汇总!2023 年 AI for Science 最值得关注的科研成果梳理

来自斯坦福大学计算机科学与基因技术学院的博士后 Hanchen Wang,与佐治亚理工学院计算科学与工程专业的 Tianfan Fu,以及康奈尔大学计算机系的 Yuanqi Du 等 30 人,回顾了过去十年间,基础科研领域中的 AI 角色,并提出了仍然存在的挑战和不足。在这个过程中,AI 的能力也具象化为一柄利刃,甚至可以劈开困扰人们半个世纪的桎梏,大大加速了科研进程。珠玉在前,进入 2023 年后,AI 在科研领域的征程也更加顺畅,越来越多的研究团队开始寻求 AI 的帮助,从而催生了更多的高价值成果。

HyperAI超神经 3171

别再瞎猜了!Fluent瞬态计算时间步长到底设多少?一个公式+实战案例搞定

本文详细解析了Fluent瞬态计算中时间步长的设置方法,通过黄金公式和实战案例,帮助工程师准确确定时间步长,避免计算发散和资源浪费。文章还介绍了动态调整策略和典型工程场景的参数优化,提升仿真效率和精度。

weixin_42638178的博客 429

小批量训练的JAX机器学习

本文介绍基于BFGS的小批量训练算法,针对全批量方法在高样本量下计算复杂度高的问题,结合JAX的自动微分与高效计算,实现快速收敛。通过optimtool库中的改进的bfgs优化器与小批量策略,支持分类与回归任务,具备早停机制与灵活监控选项,显著提升大规模机器学习训练效率。

林景的博客 137

K210开发板学习笔记(三)——STM32+K210+SD卡实现人脸识别(完整K210代码)

更新日记:2022年4月26日 更新了串口通信部分的内容,本文写的略为粗糙,恐有不当之处,希望大家不吝赐教。 人脸识别 一、MaixPy IDE开发 参考博主晨少hc的博文(https://blog.csdn.net/HuangChen666/article/details/113995079)来实现人脸识别功能,我用的硬件是亚博智能的K210开发板,在配置工程中有几步和这个博主的不一样,需要注意。 所需要的文件有:模型文件),脚本文件,ide需要的bin文件...

Embedded learner的博客 4万+

【AIGC】人工智能训练师(高级)考试题库-橙点同学

例如,在嘈杂的环境中进行声音转文字,即使是优秀的模型也可能会出现一些错误,但这并不意味着该模型本身质量差,在其他较为理想的环境下,它可能会有很好的表现。例如,在一些语音应用和系统中,会使用SSML来实现对语音合成的精细控制,如调整语速、语调、音量等,而这些应用和系统的开发往往会遵循W3C的相关标准和框架,其中就包括SSML这一语音合成标记语言。例如,在语音识别等场景中,像“去火车站怎么走”这样的语音指令,没有其他嘈杂的背景声音或模糊不清的表述,就属于无噪音的数据,有利于系统准确地进行处理和分析。

RisunJan的博客 9925

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 550

CUPED (Controlled-experiment using Pre-Experiment Data) 论文学习笔记

CUPED是一种用于提升A/B测试灵敏度的方差缩减技术。它通过利用实验前用户行为数据(协变量X)构建调整后的指标Y_cuped=Y-θ(X-E[X]),其中θ=Cov(Y,X)/Var(X)。这种方法能在保持处理效应估计无偏的前提下,将方差降低1-ρ²倍(ρ为前后指标相关性)。CUPED的核心优势在于:不改变平均处理效应的估计,但能显著提升统计功效,使得实验更容易检测到微小但真实的效应,同时减少所需样本量或实验周期。该技术特别适用于用户异质性大、指标方差高的场景。

pursuit的博客 2152

低温ECR-MOCVD生长(002)GaN:椭偏仪测厚与电学性能

本研究用ECR-MOCVD在Si(111)和蓝宝石衬底上低温生长GaN薄膜,蓝宝石1.0SCCM、2h样品呈完全(002)择优取向,椭偏仪测厚32.81nm,迁移率10.42cm²/(V·s)。文章梳理了生长温度、TMGa流量与生长时间对结晶取向、膜厚、粗糙度、光学带隙和电学性能的影响。

Flexfilm_的博客 402

Laravel 结合 jwt-auth 实现无状态 API 认证(实战解析)

本文详细解析了如何在Laravel框架中结合jwt-auth实现无状态API认证,包括JWT的优势、环境搭建、Token签发与刷新、API路由保护等实战内容。通过具体代码示例和优化技巧,帮助开发者高效解决跨域认证问题,提升系统安全性。

weixin_29315569的博客 212

fastjson1.2.83反序列化漏洞

【代码】fastjson1.2.83反序列化漏洞。

Coder的博客 1万+

【第84期】过拟合欠拟合与复杂度对照的实验与排查

系列:《从小白到 AI 大模型开发工程师的进阶之路》 技术点:AI-0306 过拟合与欠拟合 主人公:小蓝伞 前置:AI-0302 本期产出:学习曲线小蓝伞用越来越高次的多项式拟合一条带噪曲线,训练误差继续下降,但这不能说明他更接近真实关系。本期固定训练样本与噪声,只改变多项式次数,比较对训练点和无噪参考曲线的误差,并区分验证曲线与学习曲线。教学情境用来组织问题,下面的执行数据来自构造实验。

qq_36085846的博客 199

HCIP - Al Solution 华为认证—— 3、大模型基础

00:20核心目标: 与GPT类似,旨在学习一个通用的预训练模型,以便在大量不同任务上通过微调快速适配。与GPT的对比: BERT的效果在实验数据上优于GPT-1。模型特点: 采用双向的Transformer编码器结构,能够实现不同位置信息之间的互通,这与GPT的单向结构不同。06:3735:45核心思想: 尝试将标准的Transformer结构直接应用于图像,并对图像分类流程进行最少的修改。具体操作流程:图像分块: 将整幅图像拆分成多个小的图像块(Patch)。

qq837993702的博客 161

新品快讯 | ROHM支持GaN高频开关的TP-PFC控制器IC

另一方面,传统的TP-PFC控制技术广泛使用MCU,但对于小型电源设备而言,除了功耗、电路规模和成本方面的挑战外,如何实现针对GaN HEMT高频开关的控制也成为亟需解决的难题。全球知名半导体制造商ROHM(总部位于日本京都市)宣布,开发出有助于实现小型高效率AC-DC电源的Totem Pole PFC*1(图腾柱PFC,以下简称“TP-PFC”)控制器IC“BM85060FV”,其特点是可在支持GaN HEMT*2高频开关的MHz频段工作。GaN(氮化镓)是一种用于新一代功率元器件的化合物半导体材料。

ONEYAC唯样的博客 218

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 152

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 277

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 177

LoRA的低秩数学与QLoRA实现

本文系统解析了LoRA及其进阶版QLoRA在十亿参数模型微调中的高效机制。通过低秩假设,将权重更新量ΔW近似为低秩矩阵积,显著压缩可训练参数与显存占用;QLoRA进一步将基座模型量化至4比特(NF4),结合双重量化与分页优化器,实现65B模型单卡微调。文章详解了B初始化为零、缩放系数α/r设计、挂载位置选择等关键实操细节,并给出可运行代码。实践表明:4比特基座+高精度LoRA在多数任务上媲美全参微调,且训练效率极高。超参方面,r不宜过大,学习率需上调,数据质量重于数量。最后强调:LoRA适用于风格适配与领域

2601_96733043的博客 337

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 479

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 204

SVM支持向量机通俗解析:找到机器学习的“最优分界线”

一、爆款钩子:同样是画分界线,为何SVM能成为机器学习的“王者选手”?做机器学习的人,几乎都绕不开一个问题:如何给混乱的数据“分家”?有人用逻辑回归,有人用KNN,但有一个算法

2601_96798737的博客 164

机器学习03,端到端02

个人笔记

qq_59247073的博客 283

GaN 动态导通电阻测试专题:电流崩塌从哪来,测量窗口怎么选

但器件装到实际电路上跑一段时间,或者用双脉冲台架模拟开关工况再测导通压降,数值往往明显高于手册静态值,而且关断应力越强(母线电压越高、应力保持越久),抬升越明显;:使用钳位电压探头,把示波器通道的工作区间限制在低电压区(常见做法是钳位在 1.5V 附近的导通压降区),应力高压段由钳位电路吸收,导通段以高分辨率采样。台架搭建相对简单,是器件表征最常用的方案。双脉冲台的难点不在发脉冲,而在采样:漏源电压要从几百伏的应力电平瞬间跌落到毫伏至伏级的导通压降,示波器单一量程难以兼顾"扛住高压"和"分辨毫伏"。

Namisooft的博客 273

《机器学习sklearn实战教程》02|Python机器学习开发环境搭建

2.1 为什么要先搭环境很多人学机器学习,卡住的第一步不是算法,而是环境。代码明明照着教程敲了,却一运行就报错。不是缺包,就是版本冲突。最常见的情况是,昨天还能跑,今天装了个新库

2601_96798011的博客 244

CAGR 21.8%:GaN功率器件封装材料市场从3.23亿美元迈向12.77亿美元

随着氮化镓(GaN)功率半导体在消费快充、AI服务器电源及车载电源领域的加速渗透,GaN功率器件封装材料作为实现芯片贴装、电气互连、热量传导和长期可靠性保障的核心功能性材料,正迎来爆发式增长期。根据LP Information(路亿市场策略)初步调研,2025年全球GaN功率器件封装材料市场规模约为3.23亿美元,2026年预计约3.91亿美元,2032年将达到12.77亿美元,2026—2032年复合增长率(CAGR)高达21.8%。

LPIHelen的博客 203
上一篇: 有效延缓痴呆症:延世大学发现梯度提升机模型能准确预测 BPSD 亚综合征
下一篇: 清北「学渣」创业心路:AI 新时代已来,不参与对不起自己
HyperAI超神经
博客等级 码龄7年 8873粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值