Zwiększona precyzja w analizie hodowli komórkowych: wykorzystanie sztucznej inteligencji do bezstronnej i niedestrukcyjnej oceny wzrostu i żywotności komórek

Dlaczego kontrola komórek ma znaczenie

Za każdym nowym testem leku czy podstawowym eksperymentem biologicznym stoją żywe komórki hodowane w plastikowych płytkach. Badacze muszą wiedzieć, ile mają komórek, jak szybko się rozmnażają i ile z nich nadal żyje. Obecnie często robi się to wzrokowo, ręcznie lub z użyciem barwników chemicznych, co jest powolne, kosztowne i podatne na błąd ludzki. W tym badaniu przedstawiono SnapCyte — narzędzie sztucznej inteligencji, które analizuje proste zdjęcia mikroskopowe, aby szybko ocenić wzrost i stan komórek, bez dodatkowych odczynników i drogich urządzeń.

Nowy sposób obserwacji wzrostu komórek

Autorzy postawili sobie za cel zastąpienie subiektywnych, ręcznych kontroli bardziej obiektywnym podejściem. Zbudowali SnapCyte do analizy zwykłych zdjęć komórek wykonywanych standardowymi mikroskopami, a nawet smartfonami. System koncentruje się na trzech podstawowych pytaniach: jak dużą część naczynia zajmują komórki (konfluencja), ile jest komórek (liczba komórek) oraz jaka część jest żywa a jaka martwa (żywotność). Aby wytrenować oprogramowanie, zgromadzili dużą, starannie oznakowaną kolekcję obrazów z wielu typów komórek, różnych naczyń hodowlanych i warunków obrazowania. Eksperci ręcznie wyznaczali obszary komórek i zliczali komórki, a te przykłady posłużyły do nauczenia modeli głębokiego uczenia rozpoznawania wzorców związanych z pokryciem, liczbą i stanem komórek.

Nauczenie komputera widzieć jak ekspert od komórek

Do oceny, jak dużą część powierzchni zajmują komórki, zespół zastosował rodzaj sieci analizy obrazu, która może przypisać każdemu pikselowi prostą decyzję „komórka” lub „nie komórka”. Model był trenowany i korygowany iteracyjnie, aż osiągnął ponad 90-procentową dokładność na niezależnych obrazach testowych. Szacunki SnapCyte dotyczące pokrycia komórkowego były niemal idealnie zgodne z ocenami ekspertów i wyraźnie przewyższały kilka innych popularnych narzędzi. System pozostał też dokładny przy zmianach jakości i rozdzielczości obrazu, co sugeruje, że poradzi sobie z nierównym oświetleniem, ostrością i kontrastem typowym w codziennej pracy laboratoryjnej.

Od pokrycia do zliczeń i stanu zdrowia komórek

Zliczanie pojedynczych komórek i określenie, które z nich są żywe, jest trudniejsze, szczególnie gdy komórki zachodzą na siebie lub różnią się rozmiarem. Aby temu sprostać, badacze dostosowali istniejącą sieć segmentacji komórek i przetrenowali ją na obrazach wielu typów komórek, krwinek, a nawet plastikowych kulek o znanych rozmiarach. Wykorzystali proces „człowiek-w-pętli”, wielokrotnie korygując błędy i dodając trudniejsze przykłady, aż model potrafił wykryć ponad 95 procent komórek, rzadko biorąc za komórki fragmenty zanieczyszczeń. Towarzyszący model nauczył się też szacować rozmiar komórek i oddzielać komórki żywe od martwych wybarwionych powszechnie stosowanymi barwnikami. W testach z mieszaninami komórek żywych i martwych wyniki SnapCyte różniły się od zliczeń ekspertów o mniej niż pięć procent, podczas gdy wcześniejsze podejścia uczenia maszynowego miały znacznie większe błędy.

Testowanie AI wobec klasycznych metod laboratoryjnych

Zespół sprawdził następnie, czy SnapCyte może zastąpić lub dorównać standardowym testom wzrostu i toksyczności stosowanym w badaniach i opracowywaniu leków. Porównali pomiary pokrycia komórek z bezpośrednimi zliczeniami, z barwnymi testami śledzącymi metabolizm oraz z komercyjnym urządzeniem do obrazowania komórek żywych. W wielu liniach komórkowych i eksperymentach z terapią lekową odczyty SnapCyte ściśle korelowały z tymi ustalonymi metodami i często wykazywały mniejsze zróżnicowanie między użytkownikami. Narzędzie mogło też oszacować czas podwojenia liczby komórek oraz podawało wartości czułości na leki zgodne z opublikowanymi danymi, przy użyciu mniejszej liczby płytek, mniejszej ilości odczynników i znacznie krótszym czasie pracy ręcznej.

Co to oznacza dla codziennej pracy w laboratorium

Podsumowując, badanie pokazuje, że proste obrazy hodowli komórkowych zawierają wystarczającą ilość informacji wizualnej, aby wytrenowany system AI mógł ocenić, ile komórek jest obecnych i jak są zdrowe, bez dotykania komórek czy dodawania chemikaliów. SnapCyte dostarcza szybkie, spójne pomiary, które są w dużej mierze niezależne od osoby go używającej czy rodzaju mikroskopu. Dla pracujących naukowców może to uczynić rutynowe kontrole wzrostu komórek bardziej wiarygodnymi i mniej pracochłonnymi, jednocześnie zachowując te same komórki do późniejszych eksperymentów.

Cytowanie: 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

Słowa kluczowe: hodowla komórek, sztuczna inteligencja, zliczanie komórek, żywotność komórek, analiza obrazu