Precisione migliorata nelle analisi delle colture cellulari: sfruttare l’intelligenza artificiale per una valutazione non distruttiva e senza bias della crescita e della vitalità cellulare

Perché controllare le cellule è importante

Dietro a ogni nuovo test farmacologico o esperimento di biologia di base ci sono cellule vive che crescono in piastre di plastica. I ricercatori devono sapere quante cellule hanno, a che velocità crescono e quante sono ancora vive. Oggi questo viene spesso fatto a occhio, manualmente o con coloranti chimici, procedure lente, costose e soggette a errori umani. Questo studio presenta SnapCyte, uno strumento di intelligenza artificiale che interpreta semplici immagini al microscopio per valutare rapidamente crescita e stato delle cellule, senza reagenti aggiuntivi o strumenti costosi.

Un nuovo modo di osservare la crescita cellulare

Gli autori hanno voluto sostituire i controlli soggettivi e manuali con un approccio più oggettivo. Hanno sviluppato SnapCyte per analizzare immagini ordinarie di cellule scattate con microscopi standard o anche con smartphone. Il sistema si concentra su tre domande di base: quanto della piastra è coperto dalle cellule (confluenza), quante cellule sono presenti (conteggio) e quale frazione è viva rispetto a morta (vitalità). Per addestrare il software hanno raccolto un ampio insieme di immagini accuratamente etichettate, provenienti da molti tipi cellulari, contenitori di coltura e condizioni di imaging. Esperti umani hanno tracciato le aree cellulari e contato le cellule; questi esempi sono stati quindi usati per insegnare a modelli di deep learning a riconoscere i pattern legati a copertura, numero e stato di salute delle cellule.

Insegnare al computer a vedere come un esperto di cellule

Per giudicare quanta superficie è coperta dalle cellule, il team ha usato un tipo di rete di analisi delle immagini che può trasformare ogni pixel in una semplice decisione “cellula” o “non cellula”. Hanno addestrato e corretto iterativamente questo modello fino a raggiungere oltre il 90% di accuratezza su immagini di test indipendenti. Le stime di SnapCyte sulla copertura cellulare sono risultate quasi perfettamente allineate con quelle degli esperti umani e hanno superato chiaramente diversi altri strumenti software popolari. Il sistema è rimasto accurato anche con variazioni nella qualità e risoluzione delle immagini, suggerendo che può gestire l’illuminazione irregolare, la messa a fuoco e il contrasto tipici del lavoro di laboratorio quotidiano.

Dalla copertura ai conteggi e allo stato di salute cellulare

Contare le singole cellule e decidere quali siano vive è più difficile, soprattutto quando le cellule si sovrappongono o variano per dimensione. Per affrontare questo problema, i ricercatori hanno adattato una rete di segmentazione cellulare esistente e l’hanno riaddestrata su immagini di molti tipi cellulari, cellule del sangue e persino sfere di plastica di dimensioni note. Hanno usato un processo “human-in-the-loop”, correggendo ripetutamente gli errori e aggiungendo esempi più difficili finché il modello non è stato in grado di trovare oltre il 95% delle cellule, raramente confondendo detriti con cellule. Un modello complementare ha imparato a stimare le dimensioni cellulari e a separare cellule vive da morte colorate con coloranti comuni. Nei test su campioni misti di vivi e morti, i risultati di SnapCyte differivano dalle conte esperte umane di meno del cinque percento, mentre approcci di machine learning precedenti presentavano errori molto più grandi.

Mettere l’IA alla prova contro i metodi classici di laboratorio

Il team ha poi verificato se SnapCyte potesse sostituire o pareggiare i test standard di crescita e tossicità usati nella ricerca e nello sviluppo farmaceutico. Hanno confrontato le sue misurazioni di copertura cellulare con conteggi diretti delle cellule, con saggi colorimetrici che monitorano il metabolismo e con uno strumento commerciale di imaging cellulare live. In più linee cellulari e in esperimenti con trattamenti farmacologici, le letture di SnapCyte hanno seguito da vicino questi metodi affermati e spesso hanno mostrato minore variabilità tra gli utenti. Lo strumento è stato anche in grado di stimare i tempi di duplicazione cellulare e ha fornito valori di sensibilità ai farmaci coerenti con i dati pubblicati, usando meno piastre, meno reagenti e molto meno tempo operativo manuale.

Cosa significa per il lavoro di laboratorio quotidiano

Nel complesso, lo studio mostra che semplici immagini delle colture cellulari contengono informazioni visive sufficienti perché un sistema IA addestrato giudichi quante cellule sono presenti e quanto sono sane, senza toccare le cellule né aggiungere sostanze chimiche. SnapCyte fornisce misure rapide e coerenti, in gran parte indipendenti dall’operatore o dal microscopio utilizzato. Per gli scienziati che lavorano in laboratorio, questo potrebbe rendere i controlli di routine sulla crescita cellulare più affidabili e meno laboriosi, preservando le stesse cellule per esperimenti successivi.

Citazione: 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

Parole chiave: coltura cellulare, intelligenza artificiale, conteggio cellulare, vitalità cellulare, analisi delle immagini