Повышенная точность анализа культур клеток: использование искусственного интеллекта для объективной и недеструктивной оценки роста и жизнеспособности клеток

Почему контроль за клетками важен

За каждым новым тестом лекарства или базовым биологическим экспериментом стоят живые клетки, растущие в пластиковых чашках. Исследователям необходимо знать, сколько у них клеток, с какой скоростью они растут и сколько из них всё ещё живы. Сегодня это часто делают визуально, вручную или с помощью химических красителей — медленно, дорого и подверженно человеческой ошибке. В этом исследовании представлен SnapCyte, инструмент на основе искусственного интеллекта, который по простым микроскопическим снимкам быстро оценивает рост и состояние клеток без дополнительных реактивов или дорогостоящей аппаратуры.

Новый способ наблюдать за ростом клеток

Авторы поставили задачу заменить субъективные ручные проверки более объективным подходом. Они создали SnapCyte для анализа обычных изображений клеток, полученных на стандартных микроскопах или даже смартфонах. Система фокусируется на трёх основных вопросах: какую долю поверхности чашки занимают клетки (конфлюэнция), сколько клеток присутствует (подсчёт клеток) и какая доля живых по сравнению с мёртвыми (жизнеспособность). Для обучения программы они собрали большую, тщательно размеченную коллекцию изображений из разных типов клеток, сосудов и условий съёмки. Эксперты вручную выделяли области клеток и считали клетки, и эти примеры использовали для обучения глубоких нейронных сетей распознавать закономерности, связанные с покрытием, численностью и состоянием клеток.

Обучение компьютера видеть как эксперт по клеткам

Для оценки доли поверхности, занятой клетками, команда использовала тип сети для анализа изображений, который может превращать каждый пиксель в простое решение «клетка» или «не клетка». Модель обучали и исправляли итеративно, пока она не достигла более 90 процентов точности на независимых тестовых изображениях. Оценки SnapCyte по покрытию клетками были почти идеально согласованы с экспертными оценками и явно превзошли несколько популярных программных инструментов. Система также сохраняла точность при изменениях качества изображения и разрешения, что указывает на её устойчивость к неравномерной освещённости, фокусировке и контрасту, типичным для повседневной лабораторной работы.

От покрытия к подсчётам и состоянию клеток

Подсчёт отдельных клеток и определение, какие из них живы, сложнее, особенно когда клетки перекрываются или различаются по размеру. Для решения этой задачи исследователи адаптировали существующую сеть сегментации клеток и дообучили её на изображениях множества типов клеток, кровяных клеток и даже пластиковых шариков известного размера. Они использовали процесс «человек в цикле», многократно исправляя ошибки и добавляя сложные примеры, пока модель не научилась обнаруживать более 95 процентов клеток, редко принимая мусор за клетки. Сопутствующая модель научилась оценивать размер клетки и отделять живые клетки от мёртвых, окрашенных обычными красителями. В тестах на смесях живых и мёртвых клеток результаты SnapCyte отличались от экспертных подсчётов менее чем на пять процентов, тогда как предыдущие подходы машинного обучения давали значительно большие погрешности.

Тестирование ИИ против классических лабораторных методов

Затем команда проверила, может ли SnapCyte заменить или соответствовать стандартным тестам роста и токсичности, используемым в исследованиях и разработке лекарств. Они сравнили измерения покрытия клеток с прямыми подсчётами клеток, с колориметрическими тестами метаболизма и с коммерческим инструментом для живой ячейковой визуализации. В экспериментах на нескольких линиях клеток и при обработке препаратами показания SnapCyte хорошо коррелировали с этими проверенными методами и часто демонстрировали меньшее вариабельное отличие между пользователями. Инструмент также мог оценивать время удвоения клеточной популяции и давал показатели чувствительности к препаратам, соответствующие опубликованным данным, при использовании меньшего числа планшетов, реагентов и значительно меньшего времени работы руками.

Что это значит для повседневной лабораторной работы

В целом исследование показывает, что простые изображения клеточных культур содержат достаточно визуальной информации, чтобы обученная система ИИ могла оценить, сколько клеток присутствует и насколько они здоровы, не затрагивая клетки и не добавляя химикатов. SnapCyte обеспечивает быстрые, согласованные измерения, которые в значительной степени не зависят от того, кто им пользуется, или от используемого микроскопа. Для работающих учёных это может сделать рутинные проверки роста клеток более надёжными и менее трудоёмкими, при этом сохраняя сами клетки для последующих экспериментов.

Цитирование: 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

Ключевые слова: культура клеток, искусственный интеллект, подсчёт клеток, жизнеспособность клеток, анализ изображений