细胞培养分析的增强精度：利用人工智能对细胞生长和活力进行无偏且无损的评估

为何监测细胞很重要

在每一次新药测试或基础生物学实验的背后，都是在塑料培养皿中生长的活细胞。研究人员需要知道他们有多少细胞、这些细胞的增长速度以及有多少仍然存活。如今这些通常靠肉眼、手工或化学染料来完成，既慢又成本高，并且容易有人为误差。本研究介绍了 SnapCyte——一种能读取简单显微镜图像来快速判断细胞生长和健康状况的人工智能工具，无需额外试剂或昂贵设备。

观察细胞生长的新方法

作者着手用一种更客观的方法取代主观的人工检查。他们构建了 SnapCyte 来分析通过常规显微镜甚至智能手机拍摄的普通细胞图像。该系统聚焦于三个基本问题：培养皿被细胞覆盖的程度（融合度）、存在的细胞数量（计数）以及存活与死亡细胞的比例（活力）。为训练软件，他们收集了大量、并经精心标注的图像，涵盖多种细胞类型、培养容器和成像条件。人工专家对细胞区域进行描绘并计数，这些示例随后用于训练深度学习模型，使其识别与细胞覆盖、数量和健康相关的模式。

教会计算机像细胞专家一样“看见”

为评估表面被细胞覆盖的程度，团队使用了一种图像分析网络，将每个像素分类为“细胞”或“非细胞”。他们反复训练并修正该模型，直到在独立测试图像上达到超过 90% 的准确率。SnapCyte 对细胞覆盖度的估计与人工专家几乎完全一致，并明显优于若干其他流行软件工具。该系统在图像质量和分辨率发生变化时仍能保持准确，表明它可以应对日常实验室工作中常见的不均匀照明、焦距和对比度问题。

从覆盖度到计数与细胞健康

单个细胞计数以及判断哪些是存活的更具挑战性，特别是当细胞重叠或大小不一时。为此，研究者改造并在多种细胞类型、血细胞乃至已知尺寸的塑料微球图像上重新训练了现有的细胞分割网络。他们采用“人机交互”流程，反复修正错误并加入更困难的示例，直到模型能检测到超过 95% 的细胞，同时很少将碎片误判为细胞。一个配套模型学会估计细胞大小并区分用常见染料染色的活细胞与死细胞。在混合活死样本的多项测试中，SnapCyte 的结果与人工专家计数的差异小于 5%，而先前的机器学习方法误差更大。

将人工智能与经典实验室方法对比测试

研究团队随后检验了 SnapCyte 是否能替代或匹配研究与药物开发中使用的标准生长和毒性测试。他们将其对细胞覆盖度的测量与直接细胞计数、基于颜色的代谢检测法以及商用活细胞成像仪的结果相比较。在多种细胞系和药物处理实验中，SnapCyte 的读数与这些既有方法高度一致，并且常常表现出比不同使用者之间更少的变异。该工具还能够估算细胞倍增时间，并给出与已发表数据相符的药物敏感性值，同时使用更少的培养板、更少的试剂和更少的人工操作时间。

对日常实验室工作的意义

总体而言，该研究表明，细胞培养的简单图像包含足够的视觉信息，使训练有素的 AI 系统能够在不接触细胞或添加化学品的情况下判断细胞数量及其健康状况。SnapCyte 提供快速且一致的测量，基本不受使用者或显微镜型号的影响。对于从事实验的科学家而言，这有望使常规的细胞生长检查更可靠、劳动强度更低，同时保留相同的细胞以供后续实验使用。

引用: 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

关键词: 细胞培养, 人工智能, 细胞计数, 细胞活力, 图像分析