Förbättrad precision i analys av cellkulturer: utnyttja artificiell intelligens för objektiv och icke-förstörande bedömning av celltillväxt och vitalitet

Varför kontroll av celler är viktigt

Bakom varje nytt läkemedelstest eller grundläggande biologiskt experiment finns levande celler som växer i plastskålar. Forskare måste veta hur många celler de har, hur snabbt dessa celler växer och hur många som fortfarande är vid liv. Idag görs detta ofta visuellt, manuellt eller med kemiska färgningar, vilket är långsamt, kostsamt och känsligt för mänskliga fel. Denna studie introducerar SnapCyte, ett verktyg baserat på artificiell intelligens som tolkar enkla mikroskopbilder för att snabbt bedöma celltillväxt och hälsa utan extra reagenser eller dyra instrument.

Ett nytt sätt att följa celltillväxt

Författarna ville ersätta subjektiva, manuella kontroller med en mer objektiv metod. De byggde SnapCyte för att analysera vanliga bilder av celler tagna med standardmikroskop eller till och med mobilkameror. Systemet fokuserar på tre grundläggande frågor: hur stor del av odlingsskålen som är täckt av celler (konfluens), hur många celler som finns (cellantal) och vilken andel som är levande kontra döda (viabilitet). För att träna programvaran samlade de en stor, omsorgsfullt märkt bilddatabas från många olika celltyper, odlingskärl och bildförhållanden. Människliga experter spårade cellområden och räknade celler, och dessa exempel användes för att lära djupinlärningsmodeller att känna igen mönster kopplade till celltäckning, antal och hälsa.

Att lära datorn att se som en cellexpert

För att bedöma hur stor yta som täcks av celler använde teamet ett slags bildanalysnätverk som kan göra ett enkelt ”cell” eller ”inte cell” beslut för varje pixel. De tränade och korrigerade modellen iterativt tills den nådde över 90 procent noggrannhet på oberoende testbilder. SnapCytes uppskattningar av celltäckning var nästan helt i linje med mänskliga experter och överträffade tydligt flera andra populära mjukvaruverktyg. Systemet förblev också träget när bildkvalitet och upplösning varierade, vilket tyder på att det kan hantera ojämn belysning, fokus och kontrast som är typiska i vardagligt labbarbete.

Från täckning till räkning och cellhälsa

Att räkna individuella celler och avgöra vilka som är levande är svårare, särskilt när celler överlappar eller varierar i storlek. För att tackla detta anpassade forskarna ett befintligt cellsegmenteringsnätverk och tränade om det på bilder av många celltyper, blodceller och till och med plastpärlor med kända storlekar. De använde en ”människa-i-slingan”-process, där fel upprepade gånger korrigerades och svårare exempel lades till tills modellen kunde hitta mer än 95 procent av cellerna samtidigt som den sällan förväxlade skräp med celler. En kompletterande modell lärde sig att uppskatta cellstorlek och skilja levande från döda celler färgade med vanliga färgämnen. I tester med blandade levande och döda prov skilde sig SnapCytes resultat från expertmänniskors räkningar med mindre än fem procent, medan tidigare maskininlärningsmetoder hade betydligt större felmarginaler.

Att testa AI mot klassiska labbmetoder

Teamet frågade sedan om SnapCyte kunde ersätta eller matcha standardtester för tillväxt och toxicitet som används inom forskning och läkemedelsutveckling. De jämförde dess mätningar av celltäckning med direkta cellräkningar, med färgbaserade assay som följer ämnesomsättning, och med ett kommersiellt instrument för live-cell imaging. I flera cellinjer och läkemedelsbehandlingsexperiment följde SnapCytes avläsningar nära dessa etablerade metoder och visade ofta mindre variation mellan användare. Verktyget kunde också uppskatta hur lång tid det tar för celler att fördubblas i antal och gav läkemedelskänslighetsvärden som stämde överens med publicerade data samtidigt som det krävde färre plattor, färre reagenser och betydligt mindre handpåläggningstid.

Vad detta innebär för vardagligt labbarbete

Sammantaget visar studien att enkla bilder av cellkulturer innehåller tillräckligt med visuella ledtrådar för att ett tränat AI-system ska kunna bedöma hur många celler som finns och hur friska de är, utan att röra vid cellerna eller tillsätta kemikalier. SnapCyte ger snabba, konsekventa mätningar som i stor utsträckning är oberoende av vem som använder det eller vilket mikroskop som används. För arbetande forskare kan detta göra rutinkontroller av celltillväxt mer tillförlitliga och mindre arbetsintensiva, samtidigt som samma celler bevaras för senare experiment.

Citering: 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

Nyckelord: cellkultur, artificiell intelligens, cellräkning, cellviabilitet, bildanalys