精准识别！精确定位！AI助力干细胞培养

　　干细胞，包括多能干细胞和组织特异性干细胞，具有各种临床应用；人工培养干细胞的质量，在医学应用中至关重要。干细胞必须在精心控制的条件下，进行体外培养。然而，目前对干细胞培养的质量控制是基于研究人员的目视检查；这严重阻碍了干细胞培养的标准化，限制了干细胞的大规模制造。
　　日本东京医科齿科大学（TMDU）的研究人员发布了， 一种基于深度学习的自动细胞跟踪(DeepACT)技术；该技术可用于识别人工培养的干细胞，且可以无创伤监测控制干细胞质量。 为大规模标准化无创伤控制培养干细胞提供了重要手段。
　　该研究以「  Label-free quality control and identification of human keratinocyte stem cells by deep learning-based automated cell tracking  」为题，于2021年2月23日发布于《干细胞》（STEM CELLS ）杂志。
　　干细胞能够发育成多种不同类型的成熟细胞，它们可以生长为新的组织，从而用于治疗某些伤病。角质干细胞（皮肤干细胞）是少数在实验室中生长良好的成人干细胞类型之一；可以用于治疗遗传性皮肤病以及修复大面积烧伤皮肤。并且，健康的角蛋白细胞比不太健康的细胞移动速度更快，因此它们可以通过显微镜识别出来。DeepACT的主要作用是帮助科学家 快速识别健康的干细胞，并监测干细胞生长。
　　该程序包括两个主要模块：通过深度学习， 从培养物的相差图像中以「单细胞分辨率」识别人类角质形成细胞 ；然后，使用状态空间模型跟踪菌落中角质形成细胞的运动轨迹。
　　基于深度学习的细胞自动跟踪模型的开发
　　DeepACT基于深度学习的级联细胞检测方法和基于卡尔曼滤波器算法的跟踪方法相结合，在培养物的相差图像中，成功跟踪了密集的人表皮角质形成细胞集落内的单个细胞。研究人员评估后得出结论，与肉眼识别相比 ，DeepACT对于角质干细胞的识别非常准确。
　　在人的角质形成细胞菌落中的自动细胞跟踪
　　DeepACT 可以快速分析单个角质形成细胞的运动指数，从而能够对角质形成细胞动态响应培养条件的变化进行定量评估。 运动指数可以反映中心区域的细胞与边缘区域的细胞移动速度。运动指数最高的干细胞会更有可能生长为健康皮肤，因此它们适合作为新皮肤移植给烧伤患者。
　　角质形成细胞行为对培养条件变化的反应的定量评价
　　此外， DeepACT 可以通过分析细胞的空间和速度信息，来区分角质形成细胞干细胞集落和非干细胞衍生集落。 这将有利于研究人员更加便捷且精准的控制角质干细胞的培养。
　　通过自动细胞跟踪来识别人的角质形成细胞干细胞菌落
　　当前皮肤移植，含有太多不健康或非生产性干细胞；那么能够快速、便捷地识别最合适的细胞，将大大提高干细胞细胞移植的临床优势。另外，自动化质量控制，有助于确保稳定的细胞供应，同时可以降低细胞的生产成本；对于工业化生产干细胞具有重要价值。