Машинное обучение предсказывает качество органоидов из стволовых клеток

Автор: Cell Reports Methods (2025). DOI: 10.1016/j.crmeth.2025.101119

Исследовательская группа под руководством профессора Такуи Ямамото и доцента Рюсаку Мацумото (Департамент передовых исследований в области наук о жизни) разработала модель машинного обучения, которая позволяет заранее предсказывать формирование гипоталамо-гипофизарных органоидов из человеческих iPS-клеток. Это открытие может значительно ускорить исследования в области органоидных технологий и регенеративной медицины.

Создание таких органоидов обычно требует более двух месяцев культивирования и часто приводит к нестабильному качеству, что делает процесс трудоемким и ресурсозатратным. Чтобы решить эту проблему, ученые обучили сверточную нейронную сеть на фазово-контрастных изображениях, сделанных на ранних стадиях развития органоидов.

Модель достигла 79% точности в предсказании дифференцировки гипофизарных клеток на 40-й день, используя изображения всего лишь 9-дневных культур. Это демонстрирует ее потенциал для принятия решений на ранних этапах, до начала длительных экспериментов.

В отличие от предыдущих исследований, где использовались одновременные данные для обучения и оценки, эта модель прогнозирует долгосрочные результаты дифференцировки на основе ранних изображений. Исследование опубликовано в журнале Cell Reports Methods.

Чтобы понять, как модель делает прогнозы, команда применила метод Grad-CAM, который визуализирует области изображения, наиболее значимые для решений алгоритма. Анализ показал, что поверхностная морфология органоидов — особенно такие особенности, как структура почек и текстура поверхности — играет ключевую роль в успешном развитии.

Успешные органоиды обычно имели небольшие области почек и слегка шероховатую поверхность, тогда как неудачные образцы демонстрировали гладкую или неравномерно грубую текстуру, часто связанную с неправильной локализацией нейрональных или ретинальных клеток. Эти морфологические признаки появлялись раньше молекулярных маркеров дифференцировки, что позволяет использовать их в качестве ранних индикаторов потенциала развития.

Модель превзошла оценки опытных исследователей, особенно на ранних стадиях (9-й день), когда человеческие прогнозы были наименее надежны. Алгоритм также показал стабильную работу на разных линиях iPS-клеток, подтверждая его универсальность.

Дополнительные исследования с помощью РНК-секвенирования и иммунофлуоресцентного анализа выявили, что успешные органоиды чаще формировали слой оральной эктодермы на поверхности — критически важный для дифференцировки гипофиза. В то время как неудачные образцы содержали избыток несвязанных нейрональных или ретинальных клеток.

Ученые также обнаружили, что качество изображений и стандартизация протоколов съемки значительно влияют на точность предсказаний. Эти данные подчеркивают важность единых методик для эффективного внедрения машинного обучения в исследования органоидов.

Новый подход позволяет неинвазивно оценивать потенциал органоидов на ранних этапах, что может повысить эффективность и воспроизводимость исследований. В области, где длительные сроки культивирования и нестабильные результаты традиционно ограничивали масштабируемость, это открытие представляет собой важный шаг к автоматизированному производству органоидов.

Разработанная платформа машинного обучения может быть адаптирована для других типов органоидов и способствовать прогрессу в регенеративной медицине, моделировании заболеваний и разработке лекарств.

Дополнительная информация: Ryusaku Matsumoto et al, Prediction of the hypothalamus-pituitary organoid formation using machine learning, Cell Reports Methods (2025). DOI: 10.1016/j.crmeth.2025.101119

Источник: Kyoto University