基于可解释人工智能的 iPSC-CMs 光学成熟特征的非侵入性成熟度评估
机器学习
2025-08-29 v1 信号处理
细胞行为
摘要
人源来源多能干细胞系衍生心肌细胞（iPSC-CMs）是识别新型治疗靶点和心脏保护药物的重要资源。在分化后，iPSC-CMs 显示出不成熟的、胎儿样表型。将 iPSC-CMs 在脂肪素补充的成熟培养基（MM）中培养，可显著增强其结构、代谢和功能表型。然而，评估 iPSC-CMs 的成熟状态仍具有挑战性，因为大多数方法都耗时且伴随细胞损伤或样本丢失。为此，我们开发了一种基于可解释人工智能（AI）的非侵入性方法，通过视频运动分析提取的搏动特征进行自动化的 iPSC-CMs 成熟度分类。我们开展了前瞻性研究，评估了 230 例早期不成熟 iPSC-CMs（分化后第 21 天，d21）以及在 MM 中培养的较成熟 iPSC-CMs（d42，MM）的视频记录。对于每条记录，利用 Maia 运动分析软件提取 10 项特征，并输入支持向量机（SVM）。通过在 80% 的数据上进行 5 折交叉验证的网格搜索优化了 SVM 的超参数。优化后的模型在保留测试集上取得约 99.5%±1.1% 的准确率。Shapley 加法解释（SHAP）识别位移、放松-上升时间和搏动持续时间是评估成熟度水平最相关的特征。我们的结果表明，非侵入性光学运动分析结合 AI 方法可作为评估 iPSC-CMs 成熟度的工具，此类方法可在进行功能读出或药物测试之前应用，从而可能降低实验研究的变异性并提高可重复性。
引用
@article{arxiv.2505.20775,
title = {Non-invasive maturity assessment of iPSC-CMs based on optical maturity characteristics using interpretable AI},
author = {Fabian Scheurer and Alexander Hammer and Mario Schubert and Robert-Patrick Steiner and Oliver Gamm and Kaomei Guan and Frank Sonntag and Hagen Malberg and Martin Schmidt},
journal= {arXiv preprint arXiv:2505.20775},
year = {2025}
}