多能干细胞（如iPS细胞）可分化为多种类型的功能性细胞（如心肌细胞、肝实质细胞、神经元等），这些功能性细胞为再生医学、发育和疾病体外建模以及药物筛选评估提供了无限的细胞来源，推动着再生医学的临床应用发展。例如，使用多能干细胞来源的视网膜色素上皮细胞有望治疗黄斑变性、使用胰岛细胞有望治疗糖尿病等。然而，目前多能干细胞的定向分化效率仍存在细胞系间和批次间的不稳定的问题，严重阻碍了多能干细胞临床应用产品的研发进程及规模化制造。因此，如何实现干细胞分化过程的实时质控和监控进而对多能干细胞的分化时间、诱导因子、分化轨迹等进行全自动化的动态调整，有效降低不同批次之间的多能干细胞产品的稳定性，是干细胞技术转化应用的关键问题。
2023年6月6日，北京大学赵扬课题组和北京大学张珏研究组、北京交通大学刘一研究组合作在 Cell Discovery 杂志在线发表题为A live-cell image-based machine learning strategy for reducing variability in PSC differentiation systems的研究论文。此研究首先以多能干细胞向心肌细胞分化为例，利用活细胞成像技术（通过蔡司Cell Discover 7成像系统实时采集细胞分化过程中的图像）与机器学习方法，成功实现了：（1）利用机器学习模型，从不同阶段的明场图像准确识别分化的细胞状态，非侵入式地对多能干细胞诱导分化成心肌细胞的诱导效率的实时预测；（2）基于明场图像流和机器学习，对分化时间和诱导因子浓度进行实时判断，有效调控和干预了多能干细胞向心肌细胞分化的效率；（3）基于细胞图像的机器学习算法和光激活探针，在没有生物标志物的情况下，成功实现多能干细胞在心肌细胞分化中间态细胞的纯化；（4）使用细胞图像机器学习模型为小分子筛选提供检测指标，发现CDK8抑制剂（BI-1347）可有效提高细胞对不适当分化条件的“抗扰能力”，进一步优化心肌细胞的分化方法（图）。经验证，这套方法和流程还可以用于多能干细胞向肝、肾等前体细胞分化，有效优化及改进了分化体系。
综上，此研究开发了一种非侵入式的、基于明场图像和机器学习的策略成功解决了多能干细胞向功能性细胞分化不稳定的问题，实时智能地调节和优化分化过程，实现跨细胞系和跨批次的持续高效分化。这些发现有望为促进高质量多能干细胞产品在再生医学领域里的临床研究及规模化生产提供重要技术基础，为生物医学应用中更好地理解和合理调节功能性细胞的分化过程提供了新的生物学视角。
图 基于图像机器学习的稳定优化心肌分化体系的策略总流程图。
本项研究的共同第一作者是北京大学未来技术学院博士生杨晓淳、北京大学前沿交叉学科研究院博士生陈代超和北京交通大学计算机与信息技术学院孙秋实博士。北京大学未来技术学院分子医学研究所和北大-清华生命科学联合中心赵扬研究员、北京大学前沿交叉学科研究院张珏研究员、北京交通大学计算机与信息技术学院刘一研究员共同作为本文章的通讯作者。北京大学陈知行研究员对本项目基于探针的细胞纯化方法提供宝贵建议，北京大学邹鹏、王世强研究组分别在建立细胞分选方法和鉴定多能干细胞分化心肌的电生理活性方面提供重要支持。本工作获得国家重点研发计划（2018YFA0800504，2019YFA0110000）、国家自然科学基金委（31771475，31371342，92254301）、北大-清华生命科学联合中心的经费支持。