Analiza obrazu oparta na sztucznej inteligencji do kontroli jakości hodowli komórkowych

W Cytion rozumiemy, że wizualna ocena stanu kultury komórkowej ma fundamentalne znaczenie dla produkcji wysokiej jakości komórek i linii komórkowych. Tradycyjna kontrola jakości oparta na mikroskopii opiera się w dużej mierze na ludzkiej wiedzy i subiektywnej interpretacji, która może się różnić w zależności od operatora i w czasie. Analiza obrazu oparta na sztucznej inteligencji przekształca ten subiektywny proces w obiektywny, ilościowy i skalowalny system kontroli jakości, który zapewnia stałą jakość produktu we wszystkich naszych liniach komórkowych. Wykorzystując algorytmy głębokiego uczenia, w tym architektury U-Net do segmentacji, modele ResNet-50 i EfficientNet do klasyfikacji oraz zaawansowane techniki wizji komputerowej, takie jak uczenie transferowe i metody zespołowe, możemy wykrywać subtelne zmiany w morfologii komórek, wcześniej identyfikować zanieczyszczenia i podejmować oparte na danych decyzje dotyczące stanu kultury i gotowości do dalszych zastosowań. Nasze systemy sztucznej inteligencji przetwarzają ponad 50 000 obrazów miesięcznie z naszej produkcji komórek HeLa, HEK293 i innych krytycznych linii komórkowych, zapewniając spójną ocenę jakości z dokładnością przekraczającą 95% w wielu parametrach.

Rewolucja w uczeniu głębokim w analizie obrazów komórek

Zastosowanie głębokiego uczenia do obrazowania hodowli komórkowych stanowi fundamentalną zmianę w podejściu do kontroli jakości. W przeciwieństwie do tradycyjnych algorytmów analizy obrazu, które wymagają jawnego programowania funkcji do wykrycia, modele głębokiego uczenia mogą automatycznie uczyć się odpowiednich funkcji z tysięcy obrazów szkoleniowych. W Cytion opracowaliśmy niestandardowe architektury konwolucyjnych sieci neuronowych (CNN) oparte na sprawdzonych modelach, takich jak U-Net do segmentacji semantycznej (identyfikacja granic komórek z dokładnością do poziomu pikseli), ResNet-50 do ekstrakcji cech (uczenie się hierarchicznych reprezentacji z surowych pikseli) i EfficientNetB4 do zadań klasyfikacyjnych (odróżnianie komórek zdrowych od zestresowanych). Nasze modele są trenowane na obszernych bazach danych obrazów - obecnie >150 000 adnotowanych obrazów obejmujących ponad 200 typów komórek, wiele numerów przejść (P2-P30), różne warunki hodowli (standardowe, stresowane, zanieczyszczone) i różne metody obrazowania (kontrast fazowy, jasne pole, fluorescencja). Modele te osiągają >95% dokładności w szacowaniu konfluencji, >92% czułości w wykrywaniu zanieczyszczeń i >88% dokładności w klasyfikacji morfologii. Proces uczenia wykorzystuje techniki rozszerzania danych (obracanie, odwracanie, regulacja jasności, deformacja elastyczna) w celu poprawy odporności modelu i uczenia się transferu z wstępnie wyszkolonych wag ImageNet w celu przyspieszenia zbieżności. Trening modelu jest przeprowadzany na klastrach GPU NVIDIA A100 przy wielkości partii 32-64 obrazów i czasie treningu 12-48 godzin w zależności od złożoności modelu, przy użyciu optymalizatora Adam z planowaniem szybkości uczenia się i wczesnym zatrzymywaniem w oparciu o wydajność zestawu walidacyjnego.

Zautomatyzowany pomiar konfluencji i śledzenie wzrostu

Pomiar konfluencji - określenie, jaki procent powierzchni hodowli jest pokryty komórkami - jest jedną z najbardziej krytycznych, ale subiektywnych ocen w hodowli komórkowej. W Cytion stosujemy architektury konwolucyjnych sieci neuronowych U-Net zaprojektowane specjalnie do zadań segmentacji semantycznej, osiągając klasyfikację na poziomie pikseli regionów komórek i tła z wynikami Intersection over Union (IoU) przekraczającymi 0,90. Nasza implementacja sieci U-Net obejmuje ścieżkę kurczącą się (koder) z 4 etapami próbkowania w dół przy użyciu splotów 3 × 3 i maksymalnego łączenia 2 × 2 oraz ścieżkę ekspansywną (dekoder) z próbkowaniem w górę i pomijaniem połączeń, które zachowują informacje przestrzenne z wcześniejszych warstw. Sieć jest trenowana na obrazach z ręcznymi adnotacjami, na których eksperci w dziedzinie hodowli komórek oznaczyli granice komórek, przy użyciu kombinacji binarnej entropii krzyżowej i funkcji strat Dice do obsługi nierównowagi klas. Wyszkolony model przetwarza obrazy o rozdzielczości 2048×2048 pikseli w czasie <300 ms na GPU, generując mapy prawdopodobieństwa w pikselach, które są progowane w celu utworzenia masek binarnych, na podstawie których obliczany jest procent zbieżności jako (piksele komórek / całkowita liczba pikseli) × 100. Ten zautomatyzowany pomiar konfluencji osiąga dokładność w granicach ±2%, gdy jest walidowany względem ręcznej adnotacji eksperta, w porównaniu do ±15-20% zmienności między różnymi ludzkimi obserwatorami. Poza pomiarem pojedynczego punktu czasowego, nasz system śledzi konfluencję w czasie w celu wygenerowania krzywych wzrostu (wykreślenie konfluencji w funkcji czasu z dopasowaniem krzywej wykładniczej), umożliwiając obliczenie czasów podwojenia, przewidywanie optymalnego czasu przejścia (zwykle przy konfluencji 80-90%) oraz identyfikację kultur rosnących anomalnie wolno (> 2 odchylenia standardowe poniżej oczekiwanego tempa wzrostu), co może wskazywać na starzenie się linii komórkowej, problemy z jakością pożywki lub problemy z inkubatorem. W przypadku naszego katalogu komórek i linii komórkowych to precyzyjne śledzenie wzrostu zapewnia optymalny czas zbioru, który maksymalizuje jakość i żywotność komórek.

Analiza morfologiczna i stabilność fenotypu

Morfologia komórek dostarcza bogatych informacji na temat ich zdrowia, tożsamości i stanu funkcjonalnego. W Cytion wyodrębniamy kompleksowe cechy morfologiczne za pomocą algorytmów widzenia komputerowego i ekstrakcji cech opartej na głębokim uczeniu. Po segmentacji komórek obliczamy klasyczne deskryptory morfologiczne, w tym obszar komórki (µm²), obwód (µm), kolistość (4π×obszar/perymetr²), współczynnik kształtu (oś główna/oś mała), bryłowość (obszar/obszar kadłuba wypukłego) oraz cechy tekstury oparte na macierzach współwystępowania poziomów szarości (GLCM), w tym kontrast, korelację, energię i jednorodność. Dodatkowo wykorzystujemy sieci konwolucyjne ResNet-50 wstępnie wyszkolone w ImageNet i dostrojone do naszego zestawu danych obrazów komórek w celu wyodrębnienia 2048-wymiarowych głębokich wektorów cech, które wychwytują subtelne wzorce morfologiczne, które nie są łatwe do opisania za pomocą ręcznie tworzonych cech. Te wieloskalowe cechy (łączące tradycyjną morfometrię z głębokimi cechami) są danymi wejściowymi dla klasyfikatorów Random Forest (100 drzew, kryterium nieczystości Giniego) lub Support Vector Machines (jądro RBF, C=1.0, gamma=auto), które odróżniają normalną morfologię od nieprawidłowych fenotypów z dokładnością >92%. W celu kontroli jakości utrzymujemy referencyjne profile morfologiczne dla każdej linii komórkowej w naszym katalogu - na przykład komórki HeLa wykazują charakterystyczną morfologię nabłonkową o średniej powierzchni 450±80 µm², okrągłości 0,65±0,12, podczas gdy komórki HEK293 wykazują powierzchnię 380±70 µm² z wyższą okrągłością 0,72±0,10. Wykrywanie dryfu morfologicznego wykorzystuje statystykę T² Hotellinga do testowania, czy bieżąca morfologia partii znacząco odbiega od rozkładu referencyjnego (próg p<0,05), oznaczając hodowle do przeglądu w przypadku wykrycia zmian fenotypowych, które mogą wskazywać na niepożądane różnicowanie, dryf genetyczny lub nieoptymalne warunki hodowli.

Wczesne wykrywanie zanieczyszczeń

Zanieczyszczenie jest jednym z najpoważniejszych zagrożeń dla operacji hodowli komórkowych, potencjalnie skutkującym utratą kultur, zmarnowanymi zasobami i zagrożonymi wynikami eksperymentów. W Cytion opracowaliśmy wyspecjalizowane modele wykrywania zanieczyszczeń wyszkolone na podstawie wyselekcjonowanych zestawów danych zanieczyszczonych kultur, w tym zanieczyszczenia bakteryjnego (charakteryzującego się szybkim wzrostem drobnych cząstek stałych, zmętnieniem pożywki, zmianami pH widocznymi jako zmiany koloru pożywki zawierającej czerwień fenolową), zanieczyszczenia grzybiczego (widocznego jako struktury grzybni, zarodniki) i zakażenia mykoplazmą (subtelne zmiany morfologiczne, zmniejszone tempo wzrostu, zwiększona ziarnistość). Nasz system wykrywania wykorzystuje architekturę EfficientNetB4 (16,8 mln parametrów, złożone skalowanie głębokości, szerokości i rozdzielczości) wytrenowaną przy użyciu dwuetapowego podejścia: po pierwsze, klasyfikacja na kategorie czyste i zanieczyszczone (binarna utrata entropii krzyżowej, osiągnięcie AUC-ROC 0,96); po drugie, klasyfikacja wieloklasowa identyfikująca rodzaj zanieczyszczenia (kategoryczna entropia krzyżowa, 85% dokładności w kategoriach bakterii/grzybów/mykoplazmy/drożdży). Modele analizują wiele cech obrazu, w tym nietypowe rozkłady cząstek (wykrywane za pomocą algorytmów wykrywania plam), zmiany wyglądu mediów (zmiany kolorów określone ilościowo w przestrzeni kolorów LAB) oraz nieprawidłowe wzorce morfologii komórek. Analiza szeregów czasowych porównująca bieżące obrazy z 24-48-godzinną historyczną linią bazową umożliwia wykrywanie rozwijającego się zanieczyszczenia, zanim stanie się ono wizualnie oczywiste dla operatorów, zazwyczaj zapewniając 24-48 godzin wcześniejsze ostrzeżenie w porównaniu z inspekcją ręczną. Gdy prawdopodobieństwo zanieczyszczenia przekracza próg 0,7, automatyczne alerty powiadamiają personel kontroli jakości za pośrednictwem poczty elektronicznej i powiadomień LIMS, uruchamiając natychmiastowe dochodzenie, w tym potwierdzenie wizualne, barwienie metodą Grama (w przypadku zanieczyszczenia bakteryjnego) i test PCR mykoplazmy. Dzięki wcześniejszemu wykrywaniu i interwencji, szczególnie cennej w przypadku długoterminowych hodowli i projektów rozwoju linii komórkowych o wysokiej wartości, w których zanieczyszczenie na późnym etapie procesu oznaczałoby znaczną utratę zasobów.

Nieinwazyjna ocena żywotności

Tradycyjna ocena żywotności przy użyciu błękitu trypanu lub innych barwników nieprzepuszczalnych dla błony wymaga pobierania próbek komórek z hodowli, co jest destrukcyjne i ogranicza rozdzielczość czasową. W Cytion opracowaliśmy modele przewidywania żywotności oparte na morfologii, które szacują żywotność komórek na podstawie nieoznakowanych obrazów jasnego pola lub obrazów z kontrastem fazowym przy użyciu uczenia maszynowego. Podejście to opiera się na obserwacji, że umierające i martwe komórki wykazują charakterystyczne zmiany morfologiczne: kurczenie się komórek, pękanie błony, granulację cytoplazmatyczną, utratę adhezji komórka-podłoże i zwiększone załamanie światła. Wyodrębniliśmy 156 cech morfologicznych i teksturowych z poszczególnych segmentowanych komórek, a następnie zastosowaliśmy selekcję cech (rekursywną eliminację cech z walidacją krzyżową), aby zidentyfikować 35 najbardziej predykcyjnych cech, w tym obszar komórki, nieregularność obwodu, średnią intensywność pikseli, wariancję intensywności i deskryptory tekstury GLCM. Modele regresji gradientowej (XGBoost z 200 estymatorami, współczynnik uczenia 0,1, maksymalna głębokość 6) wytrenowane na tych cechach przewidują procent żywotności z R² = 0,87, gdy są walidowane względem pomiarów wykluczenia błękitu trypanu przeprowadzonych na równoległych próbkach. Model został wytrenowany na 12 000 par obrazów żywotności obejmujących zakresy żywotności od 50% do 99% dla wielu typów komórek i numerów przejść. W celu monitorowania produkcji system przetwarza obrazy rejestrowane co 2-4 godziny przez systemy analizy żywych komórek IncuCyte, generując ciągłe dane dotyczące trendów żywotności bez zakłócania hodowli. Nagłe spadki żywotności (>10% w ciągu 12 godzin) wyzwalają alerty do zbadania, podczas gdy stopniowe trendy spadkowe informują o decyzjach dotyczących czasu pasażowania - zazwyczaj pasażujemy przy >90% przewidywanej żywotności, aby utrzymać zdrowie komórek. To nieinwazyjne monitorowanie żywotności jest szczególnie cenne w przypadku hodowli zawiesinowych i systemów bioreaktorów, w których tradycyjne pobieranie próbek jest bardziej uciążliwe, a także w przypadku eksperymentów przesiewowych, w których kluczowe znaczenie ma zachowanie integralności kultury przy jednoczesnym monitorowaniu zdrowia komórek.

Wieloparametrowa ocena jakości

Zamiast polegać na pojedynczych metrykach, systemy AI mogą integrować wiele parametrów pochodzących z obrazu w kompleksowe oceny jakości. W Cytion opracowaliśmy holistyczne modele oceny jakości, które łączą konfluencję (docelowo 80-90% dla przejścia), wynik morfologii (skala 0-100, >75 oznacza normalną morfologię), szacunkową żywotność (>90% docelowo), ryzyko zanieczyszczenia (<0,1 progu prawdopodobieństwa) i jednorodność hodowli (współczynnik zmienności wielkości/kształtu komórek, <20% docelowo) w ogólny wynik QC przy użyciu ważonych metod zespołowych. Zespół łączy przewidywania z wyspecjalizowanych modeli: U-Net confluence (waga 0,25), ResNet-50 morphology classifier (waga 0,30), EfficientNet contamination detector (waga 0,25), XGBoost viability regression (waga 0,15), z wagami zoptymalizowanymi poprzez wyszukiwanie siatki na wstrzymanych zestawach walidacyjnych, aby zmaksymalizować korelację z decyzjami ekspertów QC. Ostateczny wynik QC waha się od 0 do 100, z automatycznymi regułami decyzyjnymi: wynik ≥85 = pozytywny (przejdź do przejścia / zbioru), 70-84 = graniczny (flaga do ręcznego przeglądu), <70 = niepowodzenie (zbadaj lub odrzuć). Te wieloparametrowe oceny zapewniają obiektywne, ilościowe kryteria podejmowania decyzji o zwolnieniu w produkcji - w Cytion kultury muszą osiągnąć wynik QC ≥85 przed przejściem do następnego przejścia lub końcowego zbioru, zapewniając stałą jakość produktu. Analiza naszych danych produkcyjnych wykazuje silną korelację (r=0,82) między wynikami AI QC a wskaźnikami wydajności hodowli, w tym żywotnością po przejściu i sukcesem ekspansji, potwierdzając wartość predykcyjną zintegrowanego podejścia do punktacji. Zautomatyzowany system punktacji przetwarza kompletne obrazy mikropłytek (96 dołków) w ciągu 8-12 minut, w porównaniu do 45-60 minut w przypadku ręcznej kontroli mikroskopowej, umożliwiając podejmowanie decyzji dotyczących kontroli jakości w czasie rzeczywistym, które utrzymują wydajność procesów produkcyjnych.

Transfer Learning i adaptacja modelu

Jednym z wyzwań we wdrażaniu sztucznej inteligencji do analizy hodowli komórkowych jest potrzeba posiadania dużych szkoleniowych zbiorów danych, szczególnie w przypadku wyspecjalizowanych lub rzadkich linii komórkowych. Uczenie transferowe rozwiązuje ten problem, zaczynając od modeli wstępnie wytrenowanych na dużych ogólnych zbiorach danych obrazów (ImageNet z 1,4 mln obrazów, 1000 kategorii), a następnie dostrajając je do obrazów specyficznych dla kultury komórkowej. W Cytion intensywnie wykorzystujemy uczenie transferowe: inicjalizujemy nasze modele za pomocą wstępnie wytrenowanych wag ImageNet (np. ResNet-50, EfficientNetB4), a następnie dostrajamy końcowe warstwy lub całą sieć przy użyciu naszych zbiorów danych obrazów komórek przy znacznie zmniejszonych wymaganiach dotyczących danych szkoleniowych. Na przykład opracowanie nowego klasyfikatora morfologicznego de novo może wymagać ponad 10 000 obrazów z adnotacjami, podczas gdy uczenie transferowe osiąga porównywalną wydajność przy 1000-2000 obrazów. Nasz protokół dostrajania wykorzystuje niższe wskaźniki uczenia (1e-4 do 1e-5) w porównaniu do uczenia od zera (1e-2 do 1e-3), zazwyczaj trenuje przez 20-50 epok z wczesnym zatrzymaniem w oparciu o plateau strat walidacji i wykorzystuje dyskryminacyjne wskaźniki uczenia, w których wcześniejsze warstwy (cechy ogólne) aktualizują się powoli, podczas gdy późniejsze warstwy (cechy specyficzne dla komórek) aktualizują się szybciej. W przypadku nowych linii komórkowych dodanych do naszego katalogu Cells and Cell lines, wdrażamy ciągłe uczenie się, w którym modele są okresowo ponownie trenowane przy użyciu zgromadzonych obrazów z partii produkcyjnych, zazwyczaj kwartalne aktualizacje, które obejmują 500-1000 nowych zweryfikowanych obrazów, utrzymując dokładność modelu w miarę rozszerzania naszego portfolio linii komórkowych. Techniki adaptacji domeny, takie jak maksymalna średnia rozbieżność (MMD) i trening kontradyktoryjny, pomagają modelom generalizować na różnych platformach obrazowania - trenujemy na danych z wielu systemów mikroskopowych (IncuCyte, ImageXpress, EVOS), aby zapewnić solidną wydajność niezależnie od sprzętu do akwizycji.

Wyjaśnialna sztuczna inteligencja i zapewnienie jakości

Podczas gdy modele głębokiego uczenia mogą osiągać imponującą dokładność, ich "czarna skrzynka" może być problematyczna dla aplikacji kontroli jakości, w których ważne jest zrozumienie podstaw podejmowanych decyzji. W Cytion wdrażamy techniki wyjaśnialnej sztucznej inteligencji (XAI), aby decyzje modelu były interpretowalne i godne zaufania. Wykorzystujemy Grad-CAM (Gradient-weighted Class Activation Mapping) do generowania map cieplnych podkreślających, które regiony obrazu miały największy wpływ na decyzje klasyfikacyjne - na przykład pokazując, że wykrywanie zanieczyszczeń koncentruje się na cząstkach gruzu i zmianach morfologii, a nie na nieistotnych cechach tła. Wartości SHAP (SHapley Additive exPlanations) określają ilościowo wkład każdej cechy w indywidualne przewidywania, ujawniając, że przewidywania dotyczące konfluencji zależą przede wszystkim od gęstości komórek i wskaźników pokrycia, podczas gdy przewidywania dotyczące żywotności silnie ważą integralność błony i cechy tekstury cytoplazmatycznej. W przypadku klasyfikacji morfologicznej wizualizujemy wyuczone filtry w warstwach splotowych, pokazując, że wczesne warstwy wykrywają krawędzie i tekstury, podczas gdy głębsze warstwy rozpoznają wzorce specyficzne dla komórek, takie jak tworzenie się arkuszy nabłonkowych w komórkach HeLa lub procesy podobne do neuronów w zróżnicowanych typach komórek. Te wizualizacje XAI służą wielu celom: budowaniu zaufania wśród personelu kontroli jakości, który może zweryfikować, czy sztuczna inteligencja podejmuje decyzje w oparciu o cechy istotne biologicznie, ułatwianiu rozwiązywania problemów w przypadku wystąpienia nieoczekiwanych prognoz poprzez identyfikację cech, które doprowadziły do podjęcia decyzji, oraz dostarczaniu materiałów szkoleniowych pokazujących nowemu personelowi, jakie cechy są ważne dla oceny jakości. Utrzymujemy pulpit nawigacyjny XAI wyświetlający wizualizacje objaśnień dla oznaczonych lub granicznych kultur, umożliwiając szybki przegląd ekspercki z kontekstem dotyczącym powodów, dla których sztuczna inteligencja dokonała oceny. Ta przejrzystość ma kluczowe znaczenie dla akceptacji przez organy regulacyjne kontroli jakości opartej na sztucznej inteligencji - nasze pakiety walidacyjne dla produkcji GMP zawierają reprezentatywne wizualizacje XAI pokazujące, że modele podejmują decyzje w oparciu o naukowo uzasadnione kryteria zgodne z tradycyjnymi zasadami oceny eksperckiej.

Integracja analizy o wysokiej zawartości

Analiza obrazu oparta na sztucznej inteligencji płynnie integruje się z platformami obrazowania o wysokiej zawartości, które przechwytują wiele kanałów fluorescencyjnych, wykonują automatyczne układanie w stosy i obrazują całe płytki wielodołkowe za pomocą precyzyjnej robotyki. W Cytion wdrażamy systemy Molecular Devices ImageXpress Micro Confocal, które rejestrują do 6 kanałów fluorescencyjnych (DAPI, FITC, TRITC, Texas Red, Cy5, Cy5.5) plus światło przechodzące, z automatycznym układaniem Z-stacking (1-50 płaszczyzn, kroki 0,5-10 µm) i precyzyjnym pozycjonowaniem stolika XY (dokładność ±1 µm). W przypadku aplikacji o wysokiej zawartości, takich jak ocena wydajności różnicowania komórek macierzystych, stosujemy barwienie immunofluorescencyjne dla markerów linii, a następnie analizę opartą na sztucznej inteligencji: segmentację komórek na podstawie barwienia jądrowego (kanał DAPI, algorytm wododziałowy), klasyfikację na markery dodatnie i ujemne w oparciu o progi intensywności fluorescencji (zoptymalizowane metodą Otsu) oraz kwantyfikację wydajności różnicowania jako procent komórek dodatnich pod względem markerów. Analiza wielokanałowa umożliwia zaawansowane fenotypowanie - jednoczesne ilościowe określanie morfologii jądrowej (rozmiar, kształt, kondensacja DNA z DAPI), lokalizacji białek (jądrowa vs cytoplazmatyczna poprzez analizę kolokalizacji kanałów) oraz stanu cyklu komórkowego (na podstawie histogramów zawartości DNA ze zintegrowanej intensywności DAPI). W przypadku zmodyfikowanych linii komórkowych z konstruktami reporterowymi, obrazowanie o wysokiej zawartości w połączeniu z analizą AI przesiewa biblioteki klonów: pozyskiwanie fluorescencji GFP w celu potwierdzenia ekspresji transgenu, pomiar rozkładu intensywności ekspresji w celu oceny heterogeniczności klonów (docelowe CV <25%) oraz korelacja ekspresji z morfologią w celu identyfikacji stabilnych klonów o wysokiej ekspresji. Nasze przepływy pracy o wysokiej zawartości generują 50-100 GB danych obrazowych dziennie, co wymaga wydajnego zarządzania danymi (automatyczna kompresja, przechowywanie w chmurze na AWS S3) i wysokiej wydajności obliczeniowej (analiza akcelerowana przez GPU na klastrach NVIDIA A100 przetwarzających 200 obrazów/minutę). Połączenie sprzętu do obrazowania o wysokiej zawartości generującego bogate wielowymiarowe zbiory danych i oprogramowania do analizy AI wydobywającego maksimum informacji z każdej sesji obrazowania umożliwia nam przeprowadzanie zaawansowanej charakterystyki linii komórkowej i kontroli jakości, co byłoby niemożliwe w przypadku analizy ręcznej.

Analiza poklatkowa i dynamiczne monitorowanie

Mikroskopia poklatkowa dostarcza cennych informacji na temat zachowania komórek w czasie, w tym szybkości podziałów, wzorców migracji i reakcji na zmiany środowiskowe. W Cytion stosujemy systemy Sartorius IncuCyte S3, które rejestrują obrazy w odstępach od 15 minut do 2 godzin przez okres do 14 dni w sposób ciągły, generując zestawy danych serii czasowej od 100 do 1000 obrazów na studzienkę hodowlaną. Analiza AI tych sekwencji poklatkowych obejmuje: śledzenie pojedynczych komórek przy użyciu algorytmów takich jak TrackMate lub DeepCell do śledzenia pojedynczych komórek w ramkach, pomiar czasu podziału poprzez wykrywanie zdarzeń mitotycznych (zaokrąglanie komórek, późniejsze oddzielanie komórek potomnych), ilościowe określanie prędkości i kierunkowości migracji komórek (średnie kwadratowe przemieszczenie, długość trwałości) oraz identyfikację zdarzeń śmierci komórek (charakterystyczne zmiany morfologiczne, oderwanie komórek). W przypadku śledzenia podziałów osiągamy 87% dokładność w wykrywaniu mitozy przy użyciu sieci konwolucyjnych 3D (architektura C3D), które analizują cechy przestrzenno-czasowe w oknach 5 klatek, umożliwiając automatyczne obliczanie czasów podwojenia populacji, które silnie korelują (r = 0,91) z ręcznymi pomiarami liczenia komórek. Analiza migracji wykorzystuje algorytmy przepływu optycznego i segmentację komórek opartą na głębokim uczeniu do śledzenia centroidów komórek od klatki do klatki, obliczania prędkości (µm/godzinę) i wskaźników chemotaktycznych do testów migracji. Dane poklatkowe ujawniają dynamiczne zachowania niewidoczne na obrazach pojedynczych punktów czasowych: zidentyfikowaliśmy linie komórkowe z oscylacjami okołodobowymi w tempie proliferacji, wykryliśmy niejednorodne wskaźniki podziału w hodowlach wskazujące na strukturę subpopulacji i scharakteryzowaliśmy kinetykę odpowiedzi na zmiany pożywek do hodowli komórkowych lub leczenie farmakologiczne. W przypadku kontroli jakości, monitorowanie poklatkowe zapewnia wczesne ostrzeganie o problemach - wykrywamy zatrzymanie wzrostu (brak podziałów przez >24 godziny) lub podwyższone wskaźniki śmierci (>5% komórek wykazujących morfologię apoptotyczną na 24 godziny) znacznie szybciej niż pomiary punktów końcowych. Bogate dane czasowe umożliwiają również modelowanie predykcyjne: wykorzystując kinetykę wzrostu we wczesnej fazie (pierwsze 24-48 godzin) do prognozowania końcowej wydajności komórek, wyszkolonych za pomocą rekurencyjnych sieci neuronowych (architektura LSTM ze 128 jednostkami ukrytymi) osiągających 82% dokładność w przewidywaniu, czy hodowle osiągną docelową gęstość w oczekiwanym czasie.

Standaryzacja na różnych platformach obrazowania

Różne mikroskopy, kamery i warunki obrazowania mogą generować obrazy o różnej charakterystyce, potencjalnie myląc modele sztucznej inteligencji wyszkolone na obrazach z określonej platformy. W Cytion zajmujemy się zmiennością międzyplatformową poprzez kompleksowe przetwarzanie wstępne i normalizację obrazów zaimplementowane w Pythonie przy użyciu bibliotek OpenCV i scikit-image. Nasz proces normalizacji obejmuje: korekcję płaskiego pola w celu skompensowania nierównomiernego oświetlenia (dzielenie każdego obrazu przez referencyjny obraz płaskiego pola, odejmowanie prądu ciemnego), normalizację kolorów dla obrazów jasnego pola przy użyciu dopasowania histogramu lub transferu kolorów Reinharda, przeskalowanie intensywności do znormalizowanego zakresu dynamicznego ([0,1] float lub [0,255] uint8) oraz harmonizację rozdzielczości za pomocą interpolacji dwusześciennej, gdy obrazy z różnych systemów mają różne rozmiary pikseli. W przypadku obrazów z kontrastem fazowym, które są szczególnie wrażliwe na ustawienia optyczne, stosujemy adaptację domeny opartą na CycleGAN, która tłumaczy obrazy z wyglądu jednego mikroskopu, aby dopasować je do wyglądu innego, wyszkolonego na niesparowanych zestawach obrazów z obu systemów. To wstępne przetwarzanie zapewnia, że modele wytrenowane na obrazach IncuCyte działają równie dobrze na obrazach ImageXpress lub EVOS po standaryzacji. Weryfikujemy skuteczność standaryzacji, mierząc spadek wydajności modelu po zastosowaniu do nowych platform: przed standaryzacją dokładność spada o 12-25%, gdy modele wytrenowane w jednym systemie są stosowane w innym; po standaryzacji degradacja zmniejsza się do <5%. Nasz potok standaryzacji jest zautomatyzowany w naszej infrastrukturze analizy obrazu, stosując odpowiednie przekształcenia w oparciu o znaczniki metadanych wskazujące mikroskop źródłowy, dzięki czemu obrazy ze wszystkich platform przepływają przez ujednolicone przepływy pracy analizy. Ta wieloplatformowa niezawodność jest niezbędna dla operacji w wielu lokalizacjach i umożliwia dzielenie się wyszkolonymi modelami w całej społeczności zajmującej się badaniami nad kulturami komórkowymi, rozwijając tę dziedzinę poza indywidualne wdrożenia laboratoryjne.

Integracja z automatyką laboratoryjną

Analiza obrazu oparta na sztucznej inteligencji staje się jeszcze bardziej wydajna, gdy jest zintegrowana ze zautomatyzowanymi systemami hodowli komórek. W Cytion wdrożyliśmy automatyzację w pętli zamkniętej, w której systemy obrazowania IncuCyte wewnątrz zautomatyzowanych inkubatorów (seria Liconic STX) przechwytują obrazy co 2 godziny, potoki analizy oparte na języku Python przetwarzają obrazy w ciągu 5 minut od pozyskania przy użyciu kontenerowych usług wnioskowania (Docker na Kubernetes), a wyniki analizy trafiają do naszego kontrolera automatyzacji Hamilton VENUS za pośrednictwem interfejsów API REST w celu wyzwalania automatycznych działań. Na przykład, gdy analiza konfluencji wskazuje, że hodowle osiągnęły 85% (optymalna gęstość pasażowania), system automatycznie generuje listę roboczą w VENUS, która planuje robota do przenoszenia cieczy w celu wykonania operacji pasażowania (aspiracja pożywki, dodanie trypsyny, neutralizacja, zliczanie komórek, wysiew nowych kolb) w ciągu następnego 4-godzinnego okna. Prawdopodobieństwo wykrycia zanieczyszczenia >0,7 natychmiast poddaje dotknięte kultury kwarantannie, przenosząc je do izolowanych stref inkubatora i generując pilne alerty, zapobiegając rozprzestrzenianiu się zanieczyszczenia. Szacunki żywotności <80% wstrzymują automatyczne przetwarzanie i oznaczają hodowle do ręcznego przeglądu eksperckiego. Ta integracja tworzy autonomiczne systemy zarządzania kulturami, które utrzymują optymalny stan zdrowia komórek przy minimalnej interwencji człowieka - nasze zintegrowane systemy z powodzeniem hodują ponad 200 jednoczesnych linii komórkowych z 92% operacji przejścia wykonywanych całkowicie automatycznie, a zaangażowanie człowieka jest wymagane tylko w przypadku 8% kultur oznaczonych jako wyjątkowe warunki. Działanie w zamkniętej pętli obejmuje blokady bezpieczeństwa: Przewidywania AI poniżej progów ufności (zwykle 0,75) uruchamiają ręczny przegląd, a nie automatyczne działania, a wszystkie zautomatyzowane decyzje są rejestrowane wraz z danymi wyjaśniającymi w celu śledzenia i ciągłego doskonalenia. Monitorowanie wydajności systemu śledzi kluczowe wskaźniki, w tym fałszywie dodatnie wskaźniki wykrywania zanieczyszczeń (cel <2%), accuracy of confluence-based passage timing (>90% przejść występuje przy zbieżności 80-95%) oraz korelację między przewidywaną a zmierzoną żywotnością po przejściu (r>0,8), z kwartalnymi przeglądami zapewniającymi, że wydajność pozostaje w granicach specyfikacji.

Generowanie danych treningowych i adnotacje

Wydajność modeli AI zależy w dużej mierze od jakości i ilości danych treningowych. W Cytion utrzymujemy obszerne, starannie opatrzone adnotacjami bazy danych obrazów obejmujące cały nasz katalog linii komórkowych w różnych warunkach i numerach przejść, obecnie obejmujące łącznie >150 000 opatrzonych adnotacjami obrazów reprezentujących >2 000 godzin pracy ekspertów w zakresie adnotacji. Nasza strategia adnotacji łączy w sobie wiele podejść: ręczną adnotację przez ekspertów w dziedzinie hodowli komórkowych przy użyciu narzędzi takich jak LabelImg i VGG Image Annotator (VIA) do masek segmentacji i etykiet klas, półautomatyczną adnotację, w której początkowe prognozy AI są przeglądane i korygowane przez ekspertów (skracając czas adnotacji o 60% przy zachowaniu dokładności) oraz aktywne uczenie się, w którym modele identyfikują obrazy o wysokiej niepewności przewidywania w celu priorytetowego wysiłku adnotacji skoncentrowanego na przypadkach brzegowych. Utrzymujemy rygorystyczną kontrolę jakości adnotacji za pomocą testów wiarygodności między recenzentami - trzech niezależnych adnotatorów etykietuje podzbiory 100 obrazów, osiągając zgodność kappa Cohena >0,85 dla zadań klasyfikacyjnych i IoU >0,90 dla adnotacji segmentacyjnych, potwierdzając spójność adnotacji. W celu ciągłego doskonalenia wdrażamy systematyczne protokoły gromadzenia danych: wszystkie obrazy produkcyjne są automatycznie archiwizowane z metadanymi (linia komórkowa, pasaż, data, system obrazowania, warunki hodowli), regularne partie są poddawane adnotacjom ekspertów, co zwiększa różnorodność zestawów szkoleniowych, a obrazy związane z awariami kontroli jakości lub nietypowymi zdarzeniami są traktowane priorytetowo w celu adnotacji w celu poprawy obsługi przypadków skrajnych. Rozszerzenie danych zwiększa efektywny rozmiar zestawu treningowego: obroty (0-360°), odwracanie w poziomie/pionie, regulacja jasności/kontrastu (±20%), odkształcenia sprężyste (symulujące zmiany pola mikroskopu) i dodawanie szumu gaussowskiego (σ=0,1) generują rozszerzone warianty podczas treningu, skutecznie 10-krotnie zwielokrotniając dane treningowe, jednocześnie poprawiając odporność modelu na naturalne zmiany obrazu. Tworzymy również specjalistyczne zbiory danych dla konkretnych wyzwań: zbiór danych wykrywania zanieczyszczeń obejmuje ponad 5000 obrazów kultur skażonych bakteriami, grzybami i mykoplazmą; rzadki zbiór danych morfologicznych wychwytuje nietypowe fenotypy, zanieczyszczenia, artefakty; wieloprzejściowy zbiór danych śledzi poszczególne linie komórkowe w P5-P30, dokumentując starzenie się i dryf fenotypowy. Ta kompleksowa, dobrze wyselekcjonowana infrastruktura danych treningowych ma fundamentalne znaczenie dla dokładności i niezawodności naszych systemów kontroli jakości opartych na sztucznej inteligencji.

Walidacja modeli i monitorowanie wydajności

Przed wdrożeniem modeli AI do decyzji dotyczących kontroli jakości niezbędna jest rygorystyczna walidacja. W Cytion przestrzegamy ustrukturyzowanych protokołów walidacji zgodnych z wytycznymi FDA dotyczącymi walidacji oprogramowania i uczenia maszynowego dla urządzeń medycznych (zasady mające zastosowanie do produkcji komórek GMP): dzielimy zbiory danych na zestawy treningowe (70%), walidacyjne (15%) i testowe (15%) ze stratyfikacją zapewniającą proporcjonalną reprezentację wszystkich linii komórkowych i warunków; przeprowadzamy k-krotną walidację krzyżową (k=5) podczas opracowywania, aby ocenić uogólnialność modelu; oceniamy wydajność na wstrzymanych zestawach testowych, których nigdy nie widziano podczas szkolenia, przy użyciu kompleksowych wskaźników, w tym dokładności, precyzji, wycofania, wyniku F1 dla zadań klasyfikacyjnych, R², MAE, RMSE dla zadań regresji oraz krzywych AUC-ROC dla prognoz prawdopodobieństwa; porównujemy przewidywania AI z pomiarami złotego standardu (ręczna ocena eksperta, cytometria przepływowa dla żywotności, zliczanie siatki mikroskopowej dla konfluencji) w różnych warunkach testowych; oraz przeprowadzamy walidację prospektywną, w której modele działają w trybie cienia równolegle do standardowej kontroli jakości przez 3 miesiące przed wdrożeniem, porównując przewidywania z rzeczywistymi wynikami kontroli jakości. Po wdrożeniu wdrażamy ciągłe monitorowanie wydajności: zautomatyzowane porównywanie prognoz AI z okresowymi ocenami ekspertów (20% hodowli poddawanych jest równoległej ocenie ekspertów), śledzenie wyników pewności przewidywań w czasie (malejąca pewność może wskazywać na dryf danych), analiza korelacji między wynikami jakości AI a dalszymi wskaźnikami wydajności partii (żywotność po przejściu, sukces ekspansji) oraz kwartalne przeglądy walidacyjne badające wydajność modelu w różnych liniach komórkowych i warunkach operacyjnych. Prowadzimy szczegółową dokumentację walidacyjną, w tym specyfikacje architektury modelu, charakterystykę danych treningowych (rozmiar, różnorodność, jakość adnotacji), wyniki testów wydajności i zapisy kontroli zmian dla aktualizacji modelu. Gdy wydajność modelu spada poniżej kryteriów akceptacji (np. dokładność konfluencji spada poniżej ±5%, AUC wykrywania zanieczyszczeń <0,90), uruchamiamy ponowne szkolenie lub ponowną kalibrację: zbieranie dodatkowych danych szkoleniowych z ostatnich partii produkcyjnych, ponowne szkolenie modeli przy użyciu zaktualizowanych zestawów danych, walidację zaktualizowanych modeli na nowych zestawach testowych i wdrażanie kontrolowanego wdrażania, w którym zaktualizowane modele początkowo działają w trybie cienia przed pełnym wdrożeniem. Te rygorystyczne ramy walidacji i monitorowania zapewniają, że nasza kontrola jakości oparta na sztucznej inteligencji utrzymuje dokładność i niezawodność w czasie, pomimo ewoluujących portfeli linii komórkowych, zmian sprzętu do obrazowania i naturalnego dryfu danych.

Przyszły rozwój w dziedzinie analizy obrazu opartej na sztucznej inteligencji

Dziedzina analizy obrazów komórkowych oparta na sztucznej inteligencji nadal szybko się rozwija, a pojawiające się techniki obiecują jeszcze większe możliwości. Rozwój, który aktywnie śledzimy i pilotujemy w Cytion, obejmuje: analizę obrazów 3D z wykorzystaniem sieci segmentacji wolumetrycznej (3D U-Net) dla kultur organoidalnych i sferoidalnych, umożliwiającą pomiar wielkości organoidu, morfologii i struktury wewnętrznej na podstawie obrazów Z-stack; przewidywanie fluorescencji bez etykiet, w którym modele wyszkolone na sparowanych obrazach jasnego pola / fluorescencji uczą się przewidywać wzorce fluorescencji na podstawie samych obrazów jasnego pola, potencjalnie zastępując niektóre wymagania dotyczące barwienia; techniki uczenia się samonadzorowanego (SimCLR, BYOL), które uczą się użytecznych reprezentacji z nieoznakowanych obrazów, zmniejszając wymagania dotyczące adnotacji poprzez uczenie się ogólnych cech obrazu komórki bez ręcznych etykiet; modele fundamentalne dla biologii komórki (analogiczne do GPT dla języka) wstępnie wytrenowane na ogromnych, różnorodnych zbiorach danych obrazów komórek, które można precyzyjnie dostroić do określonych zadań przy minimalnej ilości danych; analiza w czasie rzeczywistym podczas obrazowania na żywo z opóźnieniem wnioskowania <1 sekundy, umożliwiająca natychmiastową informację zwrotną dla zautomatyzowanych eksperymentów; oraz modele predykcyjne prognozujące wyniki hodowli z wyprzedzeniem godzin lub dni na podstawie obrazów wczesnej fazy, wytrenowane na podłużnych zbiorach danych łączących wczesne cechy obrazowania z końcową jakością partii. Badamy również integrację multimodalną łączącą obrazy mikroskopowe z danymi profilowania molekularnego (RNA-seq, proteomika) w celu odkrycia biomarkerów obrazowania przewidujących fenotypy molekularne oraz sieci neuronowe oparte na fizyce, uwzględniające ograniczenia biologiczne (dynamika cyklu komórkowego, kinetyka zużycia składników odżywczych) w celu poprawy dokładności przewidywania i zmniejszenia wymagań dotyczących danych. W miarę dojrzewania tych technologii spodziewamy się jeszcze wcześniejszego wykrywania problemów poprzez subtelne zmiany przedobjawowe niewidoczne dla obecnych metod, bardziej precyzyjnych ocen jakości poprzez integrację różnych modalności danych oraz głębszego wglądu w czynniki wpływające na sukces hodowli. Postępy te umożliwią firmie Cytion dalsze dostarczanie najwyższej jakości komórek i linii komórkowych z jeszcze większą spójnością i wydajnością, utrzymując naszą pozycję lidera w zakresie jakości i innowacji.