Précision accrue dans l’analyse des cultures cellulaires : exploiter l’intelligence artificielle pour une évaluation non destructive et sans biais de la croissance et de la viabilité cellulaires

Pourquoi il est important de contrôler les cellules

Derrière chaque nouveau test de médicament ou expérience de biologie fondamentale se trouvent des cellules vivantes cultivées dans des boîtes en plastique. Les chercheurs doivent savoir combien de cellules ils ont, à quelle vitesse elles se multiplient et combien sont encore vivantes. Aujourd’hui, cela se fait souvent à l’œil, manuellement, ou avec des colorants chimiques — des méthodes lentes, coûteuses et sujettes à l’erreur humaine. Cette étude présente SnapCyte, un outil d’intelligence artificielle qui lit des images simples de microscope pour évaluer rapidement la croissance et la santé des cellules, sans réactifs supplémentaires ni machines onéreuses.

Une nouvelle façon d’observer la croissance cellulaire

Les auteurs ont cherché à remplacer les contrôles subjectifs et manuels par une approche plus objective. Ils ont conçu SnapCyte pour analyser des images ordinaires de cellules prises au microscope standard ou même au smartphone. Le système se concentre sur trois questions de base : quelle portion de la surface est couverte par des cellules (confluence), combien de cellules sont présentes (comptage) et quelle fraction est vivante versus morte (viabilité). Pour entraîner le logiciel, ils ont constitué une vaste collection d’images soigneusement annotées, provenant de nombreux types cellulaires, récipients de culture et conditions d’imagerie. Des experts humains ont tracé les zones cellulaires et compté les cellules ; ces exemples ont ensuite servi à enseigner à des modèles d’apprentissage profond à reconnaître les motifs liés à la couverture, au nombre et à l’état des cellules.

Apprendre à l’ordinateur à voir comme un expert en cellules

Pour estimer la part de la surface couverte par des cellules, l’équipe a utilisé un type de réseau d’analyse d’images capable de transformer chaque pixel en une décision simple « cellule » ou « pas cellule ». Ils ont entraîné et corrigé ce modèle de manière itérative jusqu’à obtenir plus de 90 % de précision sur des images de test indépendantes. Les estimations de confluence par SnapCyte étaient presque parfaitement alignées avec celles d’experts humains et ont nettement surpassé plusieurs autres outils logiciels populaires. Le système est aussi resté précis lorsque la qualité d’image et la résolution variaient, ce qui suggère qu’il peut gérer l’éclairage inégal, la mise au point et le contraste typiques du travail de laboratoire quotidien.

De la couverture au comptage et à l’état cellulaire

Compter les cellules individuelles et décider lesquelles sont vivantes est plus délicat, surtout lorsque les cellules se chevauchent ou ont des tailles variables. Pour relever ce défi, les chercheurs ont adapté un réseau de segmentation cellulaire existant et l’ont réentraîné sur des images de nombreux types cellulaires, de cellules sanguines et même de billes plastiques de tailles connues. Ils ont utilisé un processus « humain dans la boucle », corrigeant à plusieurs reprises les erreurs et ajoutant des exemples plus difficiles jusqu’à ce que le modèle puisse détecter plus de 95 % des cellules tout en confondant rarement des débris avec des cellules. Un modèle compagnon a appris à estimer la taille des cellules et à séparer les cellules vivantes des cellules mortes colorées avec des colorants courants. Dans des tests sur des échantillons mixtes vivants et morts, les résultats de SnapCyte différaient de ceux d’experts humains de moins de cinq pour cent, alors que les approches d’apprentissage automatique précédentes présentaient des erreurs bien plus importantes.

Mettre l’IA à l’épreuve face aux méthodes de laboratoire classiques

L’équipe a ensuite demandé si SnapCyte pouvait remplacer ou égaler les tests standard de croissance et de toxicité utilisés en recherche et en développement pharmaceutique. Ils ont comparé ses mesures de confluence à des comptages directs de cellules, à des dosages colorimétriques mesurant le métabolisme, et à un instrument commercial d’imagerie de cellules vivantes. Dans plusieurs lignées cellulaires et expériences de traitement médicamenteux, les relevés de SnapCyte suivaient de près ces méthodes établies et montraient souvent moins de variation d’un opérateur à l’autre. L’outil a aussi pu estimer le temps de doublement cellulaire et fournir des valeurs de sensibilité aux médicaments correspondant aux données publiées, tout en utilisant moins de plaques, moins de réactifs et beaucoup moins de manipulation manuelle.

Ce que cela change pour le travail quotidien en laboratoire

Globalement, l’étude montre que de simples images de cultures cellulaires contiennent suffisamment d’informations visuelles pour qu’un système d’IA entraîné puisse estimer combien de cellules sont présentes et leur état de santé, sans toucher aux cellules ni ajouter de produits chimiques. SnapCyte fournit des mesures rapides et cohérentes, largement indépendantes de l’utilisateur ou du microscope employé. Pour les scientifiques en activité, cela pourrait rendre les vérifications de routine de la croissance cellulaire plus fiables et moins laborieuses, tout en préservant les mêmes cellules pour des expériences ultérieures.

Citation: Wong, C.P., Khazamipour, N., Aalibagi, S. et al. Enhanced precision in cell culture analytics: leveraging artificial intelligence for unbiased and non-destructive assessment of cell growth and viability. Cell Death Discov. 12, 234 (2026). https://doi.org/10.1038/s41420-026-03116-9

Mots-clés: culture cellulaire, intelligence artificielle, comptage cellulaire, viabilité cellulaire, analyse d’image