Использование искусственного интеллекта для прогнозирования результатов клеточной культуры

Искусственный интеллект (ИИ) меняет биомедицинские исследования беспрецедентными темпами, и одно из его наиболее перспективных применений заключается в прогнозировании результатов клеточных культур. Выращивание клеток в контролируемой среде является краеугольным камнем открытия лекарств, токсикологических испытаний и регенеративной медицины. Тем не менее, процесс, как известно, изменчив и ресурсоемок. Традиционные методы проб и ошибок тратят время, материалы и деньги, часто приводя к неоптимальным результатам. ИИ, особенно машинное обучение и глубокое обучение, предлагает способ анализа исторических данных, выявления скрытых моделей и прогнозирования того, как клетки будут вести себя в данных условиях. Эта способность ускоряет исследования, снижает затраты и открывает двери для персонализированной терапии и более надежной промышленной биообработки. В этой статье мы исследуем, как ИИ революционизирует прогнозирование клеточной культуры, вовлеченные данные и модели, текущие преимущества и ограничения и что ждет в будущем.

Основы клеточной культуры и задача прогнозирования результатов

Клеточная культура относится к практике выращивания клеток за пределами их родного организма, как правило, в богатой питательными веществами среде внутри колб, пластин или биореакторов. Исследователи полагаются на клеточные культуры для изучения механизмов заболевания, проверки эффективности и токсичности лекарств, производства биологических препаратов (таких как вакцины или моноклональные антитела) и разработки клеточных методов лечения. Успех этих применений зависит от способности последовательно достигать желаемого поведения клеток - таких как конкретные темпы роста, жизнеспособность, дифференциация или экспрессия белка.

Однако на результаты клеточной культуры влияет множество взаимодействующих факторов: тип клеток и число проходов, средний состав, рН, температура, уровень кислорода, напряжение сдвига, поверхностные покрытия и многое другое. Даже небольшие вариации могут привести к резко разным результатам. Прогнозирование оптимальных условий в настоящее время является медленным эмпирическим процессом, в котором ученые настраивают одну переменную за раз или полагаются на подходы к проектированию экспериментов (DoE), которые все еще требуют много экспериментов. Это не только трудоемкий, но и дорогой процесс, особенно для первичных клеток или стволовых клеток, которые трудно получить и культивировать.

Высокая стоимость проб и ошибок

Типичный проект разработки лекарств может потратить годы на оптимизацию протоколов клеточной культуры для конкретной клеточной линии. Например, получение согласованных выходов химерных антиген-рецепторных (CAR) Т-клеток для терапии рака требует кропотливой оптимизации этапов активации, трансдукции и расширения. В промышленной биообработке только разработка медиа может включать сотни испытаний. Согласно отчету Национального центра биотехнологической информации, частота отказов для расширения клеточной культуры высока, что приводит к значительным финансовым потерям. ИИ может резко сжать эту временную шкалу, учась на прошлых экспериментах и предсказывая наиболее перспективные условия.

Как искусственный интеллект предсказывает результаты клеточной культуры

Прогнозирование результатов клеточной культуры ИИ обычно включает в себя модели машинного обучения (ML) или глубокого обучения, обученные на наборах данных, которые захватывают экспериментальные параметры и соответствующие результаты. Модели изучают сложные, нелинейные отношения между входами (условия культуры, характеристики клеток и т. Д.) и выходами (жизнеспособность, скорость роста, титр, морфология и т. Д.). После обучения они могут прогнозировать результаты для новых условий без необходимости выполнять фактический эксперимент.

Ключевые типы моделей

Регрессионные модели — прогнозируют непрерывные результаты, такие как плотность клеток или концентрация биомассы с течением времени.
Классификационные модели — Категоризируйте результаты, такие как «здоровый против стрессового» или «высокий урожай против низкого урожая».
Модели временнóй серии (например, LSTMs, GRUs) — Прогноз временной эволюции культуральных показателей, позволяющий на ранних стадиях прогнозировать сбои.
Свёрточные нейронные сети (CNN) — Анализ микроскопических изображений для прогнозирования здоровья клеток, фенотипа или смещения без инвазивной выборки.
Генеративные модели (например, GAN, VAE) — могут имитировать новые условия культуры или генерировать синтетические данные для увеличения небольших наборов данных.

Рабочий процесс: от данных к предсказанию

Сбор данных — Соберите исторические экспериментальные данные из лабораторных тетрадей, журналов приборов и баз данных изображений.
Предварительная обработка данных — чистые недостающие значения, нормализация функций и разработка соответствующих переменных (например, интеграл жизнеспособной плотности клеток, скорости потребления метаболитов).
Выбор модели и обучение — Выберите алгоритм, основанный на размере данных и типе задачи, затем тренируйтесь с использованием подмножества данных.
Настройка гиперпараметров — Оптимизация параметров модели (например, скорость обучения, количество скрытых слоев) для максимизации прогностической точности.
Предсказание и развертывание — Модель используется для того, чтобы предложить оптимальные условия для новых экспериментов.В некоторых лабораториях системы ИИ интегрированы с автоматизированными платформами для запуска выбранных условий без вмешательства человека.

Например, исследователи из Кембриджского университета использовали случайную лесную модель для прогнозирования выхода терапевтического белка из клеток яичников китайского хомяка (CHO), достигая более 90% точности в прогнозировании титра на основе стратегии питания и состава среды.В другом исследовании в Nature Communications использовалась глубокая нейронная сеть для прогнозирования результата дифференциации индуцированных плюрипотентных стволовых клеток человека (hiPSCs) непосредственно из изображений микроскопии яркого поля, что позволило неразрушающий мониторинг.

Типы данных и подготовка к прогнозированию на основе ИИ

Качество и широта данных имеют решающее значение для построения надежных прогнозных моделей. Эксперименты по клеточной культуре производят большое разнообразие потоков данных, которые в сочетании дают всеобъемлющую картину состояния клеток и окружающей среды.

Генетические и молекулярные данные

Идентичность клеточной линии, число проходов и генетическая стабильность влияют на поведение. Транскриптомные, протеомные или метаболомные профили могут обеспечить глубокое понимание. Хотя их дорого собирать для каждого эксперимента, они могут быть использованы для построения моделей обучения переносу, которые обобщаются по клеточным линиям.

Параметры окружающей среды и процессов

Средний состав (глюкоза, аминокислоты, факторы роста, буферы pH)
Температура и уровень CO2
Кислородное напряжение (растворенный кислород)
Стресс сдвига (скорость возбуждения, геометрия сосуда)
Расписание кормления (пакет, корм-пакет, перфузия)
Продолжительность культуры и плотность посева

Изображение данных

Микроскопия замедленного действия фиксирует морфологические изменения в течение часов или дней. Свёрточные сети могут извлекать такие особенности, как форма, размер, гранулярность и паттерны движения. Этот неинвазивный поток данных особенно ценен, поскольку он не потребляет клетки и может быть получен на высокой частоте.

Исторические результаты

Окончательные измерения, такие как жизнеспособная плотность клеток, процент жизнеспособности, титр продукта и профили гликозилирования, служат ярлыками для контролируемого обучения. Включение как успешных, так и неудавшихся культур имеет решающее значение; модели, обученные только на успехах, могут игнорировать режимы отказа.

Предварительная обработка данных часто включает в себя нормализацию (масштабирование по Z-баллам или min-max), обработку отсутствующих значений (среднее вычисление или вычисление на основе модели) и выбор функций для снижения шума. Одна из проблем заключается в том, что наборы данных клеточной культуры часто малы (<100 образцов) из-за стоимости экспериментов. Такие методы, как перекрестная валидация, регуляризация и синтетическая генерация данных (через SMOTE или генеративные модели), помогают смягчить переобучение.

Преимущества ИИ в прогнозировании клеточной культуры

Преимущества использования ИИ для прогнозирования результатов клеточной культуры являются существенными и уже реализуются в академических и промышленных условиях.

Ускоренные сроки исследований

ИИ сокращает количество экспериментов, необходимых для оптимизации протокола. Модель, обученная на 50-100 предыдущих прогонов, часто может предсказать, какая комбинация условий даст лучший результат, минуя недели итеративного тестирования. Например, фармацевтическая компания может сократить оптимизацию медиа с шести месяцев до двух недель.

Сокращение расходов

Меньше несостоявшихся культур означает меньше растраченной среды, сыворотки, факторов роста и расходных материалов. При крупномасштабной биообработке даже 10%-ное улучшение урожайности может сэкономить миллионы долларов в год. Кроме того, ИИ может предсказать идеальное время для сбора клеток или продуктов, избегая преждевременного или просроченного сбора.

Улучшенная воспроизводимость

Одна из самых больших проблем в культуре клеток заключается в том, что результаты часто варьируются между лабораториями или даже в одной лаборатории с течением времени. Модели ИИ могут обнаруживать тонкие сдвиги в поведении клеток и флаге, когда условия дрейфуют. Это позволяет исследователям стандартизировать протоколы и поддерживать согласованный выход.

Персонализированные и специфические для пациента культуры

Для клеточной терапии клетки каждого пациента могут вести себя по-разному. ИИ может учиться на небольшом образце клеток пациента и прогнозировать лучшую культуральную стратегию для их расширения для терапии. Эта персонализация имеет решающее значение для аутологичных Т-клеток CAR и лечения стволовыми клетками.

Неразрушающий контроль

Модели ИИ, анализирующие изображения или спектральные данные, могут прогнозировать здоровье и продуктивность клеток без удаления образцов из культуры. Это сохраняет стерильность и позволяет осуществлять постоянный мониторинг, что приводит к лучшему управлению процессом.

Реальные приложения и тематические исследования

Несколько организаций уже используют ИИ для прогнозирования клеточной культуры с очевидными результатами.

Дифференциация стволовых клеток

Плюрипотентные стволовые клетки человека (hPSC) могут дифференцироваться в любой тип клеток, но протоколы дифференциации, как известно, вариабельны. Команда из Гарвардского института стволовых клеток использовала модель глубокого обучения, обученную на 100 000 ярких полевых изображениях дифференцирующих клеток, чтобы предсказать процент полученных кардиомиоцитов. Модель достигла 86% точности, что побудило исследователей корректировать небольшие молекулы и факторы роста для согласованного биения клеток сердца.

CHO клеточная биопроцессорная

Клетки яичников китайского хомяка (CHO) являются рабочими лошадками для производства рекомбинантных белков и антител. В исследовании 2021 года в Биотехнология и биоинженерия сообщалось о нейронной сети, которая предсказывала конечный титр антител из концентраций метаболитов средней культуры (глюкоза, лактат, аммиак). Модель позволила досрочно прекратить низкоурожайные культуры, экономя время биореактора. Совсем недавно такие компании, как "Benchling", предлагают модули ИИ, которые интегрируются с электронными лабораторными ноутбуками, чтобы предложить оптимальные графики кормления.

3D клеточная культура и органоиды

Органоиды — миниатюрные органы, выращенные из стволовых клеток — имеют высокий потенциал для тестирования лекарств, но страдают от низкой воспроизводимости. ИИ используется для прогнозирования успеха образования органоидов на основе начальных моделей посева клеток и матричного состава. Группа в Вашингтонском университете разработала ИИ, который определяет правильное соотношение компонентов Matrigel и медиа для производства однородных кишечных органоидов, снижая частоту отторжения от 40% до менее 10%.

Сенситивность раковых клеток

ИИ может предсказать, как опухолевые клетки конкретного пациента будут реагировать на химиотерапевтические агенты в культуре. Обучая данные о реакции на лекарства из многих линий опухолевых клеток, модели могут предложить, какие препараты тестировать, а также предсказать оптимальные условия культуры для поддержания нативного фенотипа опухолевых клеток во время тестирования. Этот подход улучшает клиническую значимость скрининга лекарств.

Текущие ограничения и проблемы

Несмотря на обещание, основанное на ИИ прогнозирование клеточной культуры сталкивается с несколькими препятствиями, которые необходимо решить для широкого распространения.

Качество и количество данных

Большинство наборов данных клеточной культуры являются небольшими, неполными или не стандартизированными. Различные лаборатории используют различные метрики, инструменты и конвенции метаданных. Это затрудняет объединение наборов данных для обучения надежным моделям. Такие инициативы, как стандарт «Минимальная информация об эксперименте клеточной культуры» (MIACCE), направлены на улучшение обмена данными, но принятие происходит медленно.

обобщаемость

Модель, обученная на одной клеточной линии, редко передается непосредственно на другую. Изменения в типе клеток, проходе или системе культивирования часто ухудшают производительность. Изучаются методы обучения передаче и адаптации домена, но они требуют данных из целевого домена.

Интерпретируемость

Глубокие нейронные сети часто являются черными ящиками — трудно понять, почему модель сделала конкретный прогноз. Для регулируемых отраслей, таких как фармацевтика, необъяснимые решения ИИ неприемлемы. Исследователи работают над объяснимыми методами ИИ (XAI), такими как SHAP и LIME, но интеграция их в рутинные рабочие процессы остается проблемой.

Интеграция с Lab Automation

Чтобы полностью реализовать преимущества, прогнозы ИИ должны быть возвращены в автоматизированные обработчики жидкостей или контроллеры биореакторов. Это требует надежных программных интерфейсов и обработки ошибок. Многие лаборатории по-прежнему полагаются на ручное выполнение, ограничивая скорость оптимизации замкнутого цикла.

Воспроизводимость моделей ИИ

Как и в экспериментах с мокрой лабораторией, модели ИИ должны быть воспроизводимыми. Изменения в версиях программного обеспечения, случайных семенах или гиперпараметрах могут давать разные результаты. Издательский код и данные обучения наряду с исследовательскими работами становятся все более распространенными, но еще не универсальными.

Будущие направления и новые тенденции

Стык ИИ и клеточной культуры быстро развивается. Несколько тенденций указывают на более мощные, более интегрированные и более доступные инструменты прогнозирования.

Адаптивный контроль в реальном времени

Будущие биореакторы будут включать в себя ИИ, который непрерывно контролирует данные датчиков (pH, O2, глюкоза, лактат, плотность клеток) и корректирует параметры в режиме реального времени. Такие киберфизические системы могут поддерживать оптимальные условия даже при изменении клеток во время прогона. Ранние прототипы существуют с использованием обучения с подкреплением для оптимизации стратегий кормления динамически.

Федеративное обучение для конфиденциальности данных

Фармацевтические компании часто не могут делиться собственными данными. Федеративное обучение позволяет нескольким учреждениям обучать общую модель без обмена необработанными данными. Такой подход может создать мощные, обобщаемые модели без ущерба для конфиденциальности.

Интеграция с цифровыми близнецами

Цифровой двойник процесса культивирования клеток — виртуальная реплика, которая отражает состояние в реальном времени — может быть обновлен с помощью прогнозов ИИ для моделирования будущих сценариев. Это позволяет исследователям тестировать тысячи виртуальных условий перед запуском одного эксперимента, резко ускоряя оптимизацию.

Генерация синтетических данных

Генеративные состязательные сети (GAN) и вариационные автокодеры могут создавать реалистичные данные культуры синтетических клеток, которые расширяют ограниченные реальные наборы данных. Модели, обученные на дополненных данных, часто лучше обобщаются. В одном исследовании синтетические изображения колоний стволовых клеток улучшили точность классификатора, который прогнозирует статус дифференциации на 15%.

Многоомичная интеграция

По мере того, как одноклеточные РНК-сек, протеомика и метаболомика станут дешевле, модели ИИ будут включать эти молекулярные слои. Модель, которая учитывает как параметры процесса, так и омические сигнатуры, может предсказать результаты с беспрецедентной точностью и даже предложить генетические модификации для улучшения клеточных линий.

Лаборатория на чипе и высокопроизводительные микрокультуры

Микрожидкостные устройства, которые культивируют клетки в сотнях нанолитровых томов, генерируют массивные наборы данных. ИИ необходим для извлечения смысла из этого потока данных. Исследователи из Массачусетского технологического института недавно продемонстрировали автоматизированную платформу, которая работает на 200 параллельных микрокультурах и использует ИИ для определения оптимальных условий для поддержания первичных гепатоцитов — печально известного сложного типа клеток для культивирования.

Заключение

Искусственный интеллект уже демонстрирует свою способность прогнозировать результаты клеточной культуры с точностью и эффективностью, которая превосходит традиционные методы. Преобразуя исторические данные в практические идеи, ИИ ускоряет разработку лекарств, снижает затраты, улучшает воспроизводимость и позволяет персонализировать клеточные методы лечения. Остаются проблемы - включая дефицит данных, интерпретируемость моделей и интеграцию в автоматизированные системы - но решения активно разрабатываются. По мере того, как такие технологии, как федеративное обучение, цифровые близнецы и адаптивный контроль в реальном времени, будут только углубляться, синергия между ИИ и клеточной культурой будет только углубляться. Исследователи и профессионалы отрасли, которые используют эти инструменты, будут на переднем крае более рациональной, основанной на данных эпохи в науках о жизни. Потенциал, чтобы отрезать годы критических сроков исследований и быстрее довести методы лечения до пациентов, делает это одним из самых захватывающих рубежей в биотехнологии сегодня.

Для дальнейшего чтения, рассмотрим эти ресурсы:

Обзор машинного обучения в оптимизации клеточной культуры (Национальный центр биотехнологической информации)
Глубокое обучение предсказывает судьбу клеток по изображениям (Природа, 2021)
Приложения ИИ в биообработке (журнал биотехнологии)
Прогнозирование титра антител из метаболитных данных с использованием нейронных сетей (Биотехнология и биоинженерия, 2021)
Федерированное обучение биомедицинским данным (препринт материалам arXiv)